夜雨聆风它答不上来。
不是没搜到文件，是它根本没读懂那份文件。
知识库最大的谎言：「支持 Office」
很多 AI 知识库都会写：支持 PDF、Word、PPT、Excel。
用户一看，觉得够用了，把几年攒下的方案、汇报、培训材料一股脑扔进去。
真正用起来才发现——
「能上传」、「能读取」和「能读懂」，是两回事。
Office 文件不像纯文本。里面有标题层级、嵌套列表、批注、演讲者备注、图文混排，Word 里还有复杂公式。AI 能不能把这些按原结构读出来，直接决定它答得准不准。
我们拿两份最常见的办公文件做了实测：一份 2 页 PPT，一份带目录和公式的 Word。对比 IMA 和 Knowly，差距比预想的大。
PPT：正文能读，细节全丢
列表层级：看着像，其实乱了
PPT 第一页是典型的产品说明页：一级标题、二级标题、有序列表、下面还套了好几层无序列表。
IMA 读出来的正文「大致对」——123 的序号在， bullet 也在。但嵌套层级一深就糊了，后面的条目归属关系开始乱，块和块之间的从属关系对不上。
Knowly 的输出明显更「像原文」：标注了页码，标题、列表、嵌套列表都还原到位，段落之间的结构关系清楚。
做 RAG 的都知道：结构错了，检索出来的片段就是散的，AI 拼出来的回答也跟着飘。
备注和批注：IMA 直接当不存在
PPT 第一页底部有演讲者备注，页面上还有批注——做汇报、做培训的人，往往就靠这些补充信息。
IMA：全漏了。
Knowly：备注、批注都提取出来，和正文区分开。
这不是锦上添花。你问「这页演讲稿里强调了什么」，答不上来，知识库就等于白建。
第二页：OCR 和「真读懂」之间，差了一个宇宙
第二页是图标 + 标题 + 混排版式，不是纯文字页。
IMA 的处理方式很粗暴：整页当图片，走 OCR 抠字。字是抠出来了，但排版逻辑、图标语义、标题层级——全没了，变成一堆散落的文字。
Knowly 走的是结构化路线：图标转成语义描述（比如「办公室职员」），标题该在哪就在哪，内容仍然有层次。
一个是「扫了一眼」，一个是「读进去了」。
Word：公式都会，批注分胜负
Word 这边，两家对目录、多级标题、有序列表的处理都还行，复杂公式也都能识别出来（表达形式不同，最终都能转 LaTeX 渲染）。
真正的分水岭在批注。
我们在 Word 里特意加了一段批注，测试它能不能出现在正确的位置。
写方案、写论文、做模型的人应该能体会：批注和公式一样，不是装饰，是文档的一部分。
没放进对比里的，不值得比
我们也看了 WorkBuddy、Qoder 这类工具，发现它们倾向于现场写一段提取脚本，输出非常随意——缺结构、缺语义，和 IMA、Knowly 完全不在一个量级。就不浪费篇幅了。
写在最后
客观说，IMA 在通用场景里已经能用——大方向对，日常问答问题不大。
但如果你的知识库主力是 Office 办公文档，你要的不是「字抠出来了」，而是 AI 真读懂了——备注、批注、公式、层级，一样都不能丢。站在AI的视角，能够像人一样的读懂内容的关系、内容的含义等信息。
Office 文件的识别，拼的不是 OCR 能力，是对文档结构的理解深度。
在这个赛道上——IMA，确实像个弟弟。
回到 Knowly：我们要做的，不止于「读文件」
这轮对比，测的是 Knowly 能力的一个切面。
Knowly 的目标很明确：做最懂你的 AI 知识助手。
核心就一件事——让 AI 学习你的所有文件，读懂你的所有知识。
不是把文件堆进库里等你去搜，而是让 AI 真正「吃进去」：PPT 里的演讲稿、Word 里的批注和公式、PDF 里的表格图表……每一种格式，都按它原本的结构和语义被理解。
Office 文件读得准，只是这条路上的一环。
Knowly 想做的，是让你的整个知识库——文档、笔记、资料、项目文件——都成为 AI 能深度理解的「第二大脑」。
最懂你的 AI 知识助手，从读懂你的每一份文件开始。
你的知识库里，最难被 AI 读懂的是哪种文件？评论区聊聊。
