Agent 的 RAG 遇到 PDF 翻车了?一文讲透 20

「把 PDF 转成文本，切片入库就搞定。」这话只够跑个 demo，真上生产绝对翻车。

PDF 不是 Word，它更像一张画好的图。里面不记结构，只记“在哪画啥”。直接抽文本，合同会断行，财报数字对不上表头，扫描件一片空白，多栏排版左右乱串。

现在工业界的标准解法是四层处理加两条硬措施。
第一层：原生文本直接抽，扫描件丢给多模态大模型看图，混合的就逐页判断。中文场景首选 MinerU，跑分高且贴合中文排版。
第二层：接着还原结构，保留页码、章节和表格编号。
第三层：切片时带上元数据，再补一两句上下文说明。
第四层：最后让 Agent 按需调用工具，绝不一次性塞满上下文。

光有这四层还不够，两条硬措施卡死底线。
回答必须带页码引用，支持点击跳转；
而且每个事实都得能在检索结果里找到，找不到就老实说没查到。

这两年变化挺大。
以前扫描件靠传统 OCR，现在直接用大模型看图。
视觉文档检索也上了生产，彻底告别文字缺失和表格错位。不过代价是存储贵了不少。