NextAI丨文档解析,企业RAG真正的地基

你花了半小时扫描一份重要文件，兴冲冲地扔给AI让它总结要点，结果它回你一段“看起来很有道理但完全不对”的废话。也不能全怪AI，不同文件需要不同处理！

跨页大表切一半，表头和数据分家，图文混排的工程图纸，关键信息全在图里，文字提取一个不剩，这些文档，人看着都费劲，更别说让AI准确理解了。

文档解析这一步，是整个知识智能平台的“地基”。地基打不好，后面所有花哨的功能都是空中楼阁。

“检索质量的上限，在文档进库那一刻就已经定了。后面的向量模型再好、提示词再精巧，也补不回解析阶段丢掉的表格结构和图注。”

很多产品遇到解析问题，第一反应是“上一个最强的OCR引擎就行”。

但NextAI的做法是：不押注单一引擎，把解析做成可选可换的”能力位”。

为什么？因为不同文档适合不同的引擎。平台已适配十余家主流模型供应商家族，含Azure、阿里、百度、智谱、DeepSeek、Kimi、OpenAI兼容网关，以及客户自建的本地推理服务。新增一家按固定配方接入，不需要重构既有实现。

具体来说，平台集成了这些引擎：

这就像你去医院看病，不是所有病都挂同一个专家号。NextAI会根据文档类型自动选择最合适的解析引擎，做不到“一招鲜吃遍天”，但能做到“对症下药”。

光有引擎还不够，解析出来的东西也得有用才行。

NextAI每次解析，同时产出三样下游要用的东西：

保结构的正文——标题层级、表格以结构化形式保留，而不是拍平成一段文字。

页码定位标记——正文中埋入不可见的页序标记，使得后续每个语义片段都能回答”我来自第几页”。

版面坐标——每个文本块/表格/图形在页面上的归一化矩形，支撑后文的”片段区域高亮”与自动裁图。

AI不仅要“读懂”你的文档，还得知道“这段话在第几页”、“这个表格长什么样”、“这张图在什么位置”。这样后续检索的时候，才能精准定位，而不是给你一堆散乱的文本。

很多解析工具的做法是：图片直接丢弃。

NextAI不这么干，它会把图片连同语境一起理解：抽取图片时会一并取到图注、上方文本、下方文本与来源文件名，四条语境喂给视觉模型生成描述，再连同描述一起进入检索池。

什么意思呢？就是你上传一张设备故障照片，AI不仅能“看到”这张图，还能结合图注和上下文理解这张图说明了什么，然后在你对"设备故障”提问时，把这张图的相关描述也检索出来。

说到表格，很多RAG系统的做法是：不管什么格式，全部切成语义片段做向量检索。听起来合理？实际效果很灾难。

你想问”哪个季度销售额最高”，结果系统把两万行台账切成碎片，向量检索给你一堆不相关的片段，AI只能瞎猜。

NextAI的做法是：Excel与CSV走完全独立的一条管道——不做OCR、不做分块，而是还原成真正的数据表并落进一个查询引擎，后续由模型写只读SQL取数。

文档解析完之后，下一步是“分块”——把长文档切成检索单元。

这一步在RAG领域有个说法：最被低估，但最决定效果。

切得太碎，答案缺上下文；切得太粗，检索命中率下降且提示词爆炸。

NextAI提供了十余种分块算法，按文档体裁选择：

除了通用算法，平台针对几类高频文档体裁做了专门的切片策略：

手册切片——针对说明书、运维手册这类图文混排文档，按真实排版结构切分，并为每个片段自动裁出对应的原文图像区域。命中时片段能直接带出"第几页、哪个区域"，答案可标注"见第 N 页"，图文混合回答有据可依。

论文切片——摘要独立成片、标题与作者作为片段属性下挂、目录与参考文献降噪，并内置双栏阅读顺序回正。

演示文稿切片——按版面坐标保留每页幻灯片的真实结构，标题、正文、图表各归其位，图片连同图注与上下文一起理解后进入检索池，"这页片子讲了什么"也能被问出来。

表格感知——大表按行带拆分且每片重复表头，避免"表头和数据被切散"。Excel/CSV 则干脆不做分块，直接还原成数据表进查询引擎，由模型写只读 SQL 取数——两万行的台账切成语义片段再向量检索，既答不准"哪个季度最高"，也算不了合计。

按真实Token计数切分——中文一个字约合1.3个token，按字符数设阈值会静默超出向量模型上限被截断，这一算法按真实token计数并保证硬上限。

另外还有智能分块建议：对文档抽样+统计特征，由模型推荐分块方法与参数，服务端对推荐值做范围钳制与白名单校验后再执行。

说白了就是：你不用自己折腾选哪种分块方式，系统会帮你推荐，但最终的”边界”由平台来守。