技术专题:企业PDF入库别只靠RAG:10小时调试给我的工程教训

半年前那张表里的"D 级腐蚀风险"，到底来自哪份报告的第几页？

当合规审计员把这个问题摔到你面前时，你的系统能不能在 5 秒内把那一页 PDF 翻出来、把那段原文圈出来？

如果不能，你的"入库"就还不算完成。或者更准确地说——你抽到了字段值，但没有抽到它的出处；而在工业、医疗、合规这些下游会被反复追问的场景里，没出处的字段值是没法用来做决策的。

一、抽到字段不等于入库完成

很多 PDF 解析方案都在卷同一件事：字段抽得准不准。报告号、客户名、检测日期、风险等级——抽对了就是赢。

但在工业检测、医疗档案、合规报告这类真正高风险的入库场景里，"抽对"只是入场券。后面还有三件事必须做到：

1. 可回指：每一个字段值都能定位到原始报告的哪一页、哪一段、哪个区域

2. 可修正：人工发现错误时，能低成本改掉，并留下证据链

3. 可审计：半年后、一年后再来追问出处，链路依然完整

一旦导入错误被系统性传播，后续所有统计、分析、比对、生成报告都会跟着错。

入库不是"抽到值"，是"在可信、可解释、可审计的前提下完成入库"。

而想做到这三件事，仅靠全文检索的单轨思路，几乎一定会出问题。

二、为什么"只用全文文本"会塌

现实里的历史 PDF 长这样：

• 一份报告里夹着多个子报告，语义层次复杂

• 标题、正文、表格、图片、页码的版式每年都在变，模板飘移严重

• 关键分析文字跨页连续，且常常和表格在版面上贴着

• OCR 文本、PDF 文本层、页图坐标三条数据天然不一致

只用全文文本抽取的方案会在这些场景下露馅：

• 无法稳定支持按页定位：抽到了一段话，但分不清它属于哪一页

• 跨页对象没法原生建模：一段 summary 横跨两页，要么截断、要么张冠李戴

• 抽得到 ≠ 回指得到：你能在结果里看到这段文字，但点击它时，系统找不到原文位置

• 表格邻接区域、页码、低频对象集体翻车

反过来，只用视觉框选也不行——能告诉你"某处有个框"，但说不出这个结构化结果对应的是哪一段原文，人工没法做细粒度核对。

任何一条链路单独使用都不够。

三、双轨溯源：文本路径 + 几何路径

我们的做法是同时维护两条独立的证据链：

文本路径（Text Path）—— `page_refs`

```

page_ref {

page_no: 该 ref 所属的页号

source_text: 这一页上该对象对应的原文片段

display_text: 审阅界面展示用的文本

role: summary | continuation | result

}

```

每个语义对象在它涉及的每一页都有一个独立的 `page_ref`，每个 `source_text` 必须只在该页文本中匹配。

几何路径（Geometry Path）—— `anchors`

```

anchor {

page_no, bbox(x,y,width,height),

category, anchor_type,

source_text, source_block_ids,

provenance_type,dependency_level,alignment_status

}

```

每个对象在每一页有一个空间锚点，优先从页面区域、表格边界、文本块几何生成，而不是从文本反推。

两条路径共享相同的 object_id 和 page_no，这就是它们能互相校验的基础。

四、几何优先 anchor 为什么比文本匹配 anchor 更可信

这里有个看似细节、其实是工程关键的设计决策：

几何路径必须优先从版面证据构造，而不是从`source_text` 反推 bbox。

为什么？因为如果几何路径从文本匹配结果反推位置，它就不是独立的第二条链路了——它是文本路径的影子。文本路径一旦上游出错，几何路径会跟着静默失败，但表面上还在出框，造成"两条链路都对"的假象。

为了把这件事写在数据里，每个 anchor 上都带 `dependency_level`：

• `independent` —— 完全从版面几何生成，不依赖文本

• `partial_text_dependency` —— 几何 + 文本组合

• `strong_text_dependency` —— 主要靠文本反推

实测数据：85 页报告、130 个 sub_report + analysis 锚点中，32.31% 是 `independent`，60% 是部分文本依赖，7.69% 强文本依赖。其中 `sub_report` 的几何独立性最高（41/42 个独立锚点都来自这一类），因为子报告标题、页区域有稳定的结构特征。

五、几个具体的工程例子

例 1：表格邻接正文

第一页的 summary 紧挨着一张结果表格（`summary_grade_matrix`）。如果只靠文本反推 summary 的 bbox，要么没框全、要么把下面那张表也包进去。

工程做法：summary anchor 的下边界硬性约束在表格视觉上沿减一个小 margin 处。这是几何证据，不是文本证据。

例 2：跨页延续页

延续页（continuation page）的文本匹配最不稳定——因为延续段往往没有显式标题，只是接上前一页。

工程做法：延续页默认使用整页文本区域作为粗粒度 analysis anchor，`anchor_type=pdf_analysis_region`，`provenance_type=page_region`，`dependency_level=independent`。宁可粗，也要独立——粗框是地理事实，不会因为 `source_text` 出问题而消失。

例 3：页码标记

页码不是被动的版面元数据，而是一等结构化对象：每一页生成一个 `category=page_marker` 的独立 anchor，可以独立审阅、独立修正。这样模板飘移（罗马数字 / 阿拉伯数字、页眉 / 页脚位置变化）都能被 review 界面单独捕获。

六、双轨之间的"对账"信号

两条独立链路最大的好处，是它们可以互相对账。

每个 anchor 上有 `alignment_status`：

```

aligned —— 两条路径一致

unknown —— 证据不足以判断

suspicious —— 文本路径无匹配 / 空，但几何路径有结果

conflict —— 两条路径输出明显矛盾

```

当上游 `page_refs` 拆分错误、某一页 `source_text` 是空字符串时，几何路径仍然会生成独立的页区域锚点——两条路径输出不一致，`alignment_status` 自动变成 suspicious，审阅界面里直接打上标记。

单轨系统里，这种错误是"沉默故障"。

双轨系统里，它是"可见的不一致"。

实测下来，130 个 sub_report + analysis 锚点中，`alignment_status=conflict` 是 0.00%——没有出现两条链路相互矛盾的情况。这个"零冲突"的结果不是说系统完美，而是说当前阶段的标注策略偏保守：宁可标 `suspicious` 也不轻易标 `aligned`，把更多对象推到人工面前确认，而不是擅自宣称"两条链路都对"。对账信号的价值不是替人工拍板，而是让人工知道哪些地方需要再多看一眼。

七、写给在做文档入库的同行

如果你正在做 PDF / 文档入库，且下游用途是入数据库 + 长期审计，请认真考虑这件事：

不要把全文检索当作回指方案。 文本链路必须存在，但它不该独自承担"出处证据"的责任。再加一条几何链路，让它从版面而非文本生成，让两条链路在数据里互相对账——

入库的可信度，不是来自"抽得多准"，而是来自"两条独立证据链都指向同一个地方"。

下次有人来问"半年前那张表里的数据从哪来"，你的系统应该能：翻到那一页 PDF，画出那个框，给出那段原文，并且告诉审计员——这两条独立证据当时是对齐的。

这才叫入库完成。