文档解析做不好,问答效果就会跟着变差?——拿一份243页银行年报,在ChatDOC里一步步实测

上个季度帮朋友搭了一套知识库问答，用的是最常见的方案：文档丢进去，切块、向量化、检索、生成，一条龙全有现成组件。演示的时候挺顺利，真用起来就不对劲了——

• 问“2024 年营业收入多少”，答得又快又准；
• 问“拨备覆盖率多少”，答案出来了，数字却是上一年的；
• 问“关注类贷款迁徙率”，一本正经地回了一句“报告中未披露该指标”。

翻原文，指标明明就在第 10 页的表里躺着。

时灵时不灵比全挂更难受。全挂说明方案错了，推倒重来就是；时灵时不灵，你不知道该怀疑检索、怀疑模型，还是怀疑自己文档没传对。排查到最后，问题出在最不起眼的一环：文档解析。

这篇文章就只聊这一环，而且不空谈原理——我拿一份 243 页的真年报，先把最要命的一张表拆开给你看坑在哪，然后带你打开 ChatDOC，把同一套坑题一步步实测一遍。

上一节说问题出在解析。解析到底在解什么？不用讲原理，拿这份年报第 9~10 页的一张表，当场解剖。

这张表叫「补充财务指标」，从第 9 页页尾跨到第 10 页，五个列头：监管指标、监管标准、2024年12月31日、2023年12月31日、2022年12月31日，二十来行监管数据。用眼睛看，它是一张排得整整齐齐的表，拨备覆盖率 389.35、关注类贷款迁徙率 52.60，扫一眼就能对上号。

但知识库拿到的不是这张表，是文本。不是这张表，是文本。PDF 抽成纯文本之后，这一带长这样：

对着这段东西，坑一个一个指给你看。

同一张表，解析做对了应该是什么样——表头跟着数据走、跨页的两半接上、页眉页脚剥掉——这个不空口说，第四节实测里看它做没做到。

那自己写解析规则行不行？剔页眉、按表格行还原、跨页拼接，每一条都不难写。难的是坑的类型数不完：折成两行的长指标名、没有表头特征的表、扫描件噪声，每一种都得单独写逻辑去哄。解析这件事，做到 80 分不难，难的是每一分都要拿真实文档喂出来。

下面进入实操。每一步都给了截图，你手里有任何长 PDF 都可以跟着做。

浏览器打开巨潮资讯网（www.cninfo.com.cn），搜“宁波银行 2024 年年度报告”，下载 PDF，243 页。

你也可以用自己手里的任何长文档。我特意选银行年报，是因为它集齐了知识库问答最容易翻车的所有元素：长、表格密、跨页表多、无框线表多。拿重灾区当考场，成绩才有说服力。

官网 https://paodingjiewen.com ，点右上角“立即使用”（或直接访问 chatdoc.site/chatdoc/），手机号注册登录。

把 PDF 直接拖进上传框。243 页的文档，解析大概一两分钟，完成后界面左侧是文档、右侧是对话框，直接开问。

• 你可以自己先选一个问题向它提问。

问题不是我随手编的，每道都冲着一个“文档结构考点”去。先放考卷，标准答案来自我逐页核对过的原文：

其中 Q2、Q5 考的就是第二节解剖的那张补充财务指标表——一个在跨页的下半截，一个在三个年份并排的行里。

输入框原样输入：“宁波银行2024年营业收入是多少”。答 66,631 百万元即过。这题朴素解析也能答对——基线题的意义就是先确认及格线在哪，顺便熟悉一下问答界面。

注意

这里的换算是完全对等的，并且它还会标出具体所在的位置来让你验证！

输入：“2024年末拨备覆盖率是多少”，标准答案 389.35%。

重点看两处：

输入：“关注类贷款迁徙率是多少”，标准答案 52.60%。

就是第二节那张三个年份并排的表。答案之外，多做一步：在回答里点“52.60%”这个数（或点回答的引用角标），看它跳回原文的位置。理想情况是直接高亮到补充财务指标表里“关注类贷款迁徙率”那一行——而且你能用肉眼核对，它取的是 2024 列的 52.60，不是 2023 列的 59.62。

输入：“制造业贷款的不良贷款率是多少”，标准答案 0.31%。

这题考的是一张 20 行的贷款行业分布表。答完顺手加试一道：“教育行业的不良贷款率是多少”（标准答案 5.33%，全表最高）。

为什么要加试？这张表二十来行，如果解析只把半张表喂了进去，问制造业可能碰巧对——那一行恰好被捞到；换个教育行业就露馅。加试题专测一件事：它是真把整张表读进去了，还是碰巧捞到了半张。

• Q4 输入：“五级分类中关注类贷款金额是多少”（15,203 百万元），考无框线五级分类表；
• Q6 输入：“2024年第四季度营业收入是多少”（15,878 百万元），考分季度多列表——答成 17,509 就是串到了第一季度列。

跑题的时候你可能已经注意到了：上面几乎每一步都在重复同一个动作——点回答里的数字，看它跳回原文哪里。这个动作值得单独拎出来讲。

专业文档问答真正的障碍，从来不是“答不出”，而是“看起来对，但不敢信”。不敢信就得回原文核，而回原文核的成本，取决于溯源做到多细：

对做投研、信审、合规的人来说，这个能力比回答速度快慢重要得多。数字错了能当场发现，比对了快但错得隐蔽，值钱得多。

回到标题的问题：文档解析做不好，问答效果就会跟着变差吗？

会，而且是以最阴险的方式——不是全挂，是时好时坏。挂的那几问，根子不在检索和模型，而在切块的刀正好落在哪一行。解析是整条链路里最不起眼的一环，却决定了下游所有环节工作的原料质量。

三种做法，按场景选：

实测用的 243 页年报在巨潮资讯网可下载；文中出现的每张表、每个数，都出自这份公开年报，你可以自己下载来对。