AI 就绪的 PDF 解析

问题：PDF 不是文本

把 PDF 直接塞进 RAG 时最常见的坑：提取出来的是乱码、错位表格、被物理行切碎的多栏句子。下游检索和摘要的质量上限，一开始就被解析质量锁死。扫描件更糟——只有图像没有文字层，强行复制得到一堆空。

核心能力与步骤

这个技能把解析拆成几步，按文档类型分别处理。

• 判断版式：先识别数字版还是扫描版，决定要不要走 OCR。
• 抽取结构：保留标题层级、段落、表格边界与阅读顺序。
• 表格还原：把跨页、合并单元格的表格还原成结构化行。
• 输出干净格式：产出 Markdown 或 JSON，而不是裸文本。
• 补无障碍：给图片加替代文本、保证标签顺序，满足 a11y。

不同 PDF 的打法不同：

• 数字版：有文字层，直接抽文字加坐标。
• 扫描版：只有图像，OCR 加版面分析。
• 复杂排版：多栏、表格，做版面检测保住结构。

注意点

• 阅读顺序要与人眼一致，不能乱跳。
• 表格要完整、不错位。
• 扫描件 OCR 后需要校正。
• 输出必须是 AI 友好的结构化格式。

避免直接复制全文丢表格，否则 RAG 检索到的内容会残缺；多栏排版按物理行抽会把句子切碎；忽略图片 alt 会让无障碍审计不通过。含个人或敏感信息的文档须遵守隐私与数据合规，无障碍处理以相关法规（如 EAA）为准，AI 输出以官方为准。