从一堆 PDF 到可追问知识卡:小团队该先搭这条链路

大家好，我是智研纪。

我做资料审查时，经常遇到一种很笨的场景：文件夹里有一堆 PDF，里面混着扫描件、表格、说明、会议纪要和修改意见。你明知道答案就在里面，可每次要找一条依据，都要打开好几个文件，翻页，截图，再复制到汇报材料里。

这类工作最烦人的地方，其实是资料还停留在一堆文件的状态，没有进入一个可追问的结构。

最近我重新整理了一条小团队能抄走的链路：PDF 先进 OCR 和版面解析，再变成带来源的 Markdown 卡片，然后进本地检索，最后让 AI 只基于证据卡回答问题。

它不追求炫技，也不追求一次建成大型知识库。它只解决一件事：让一批散乱资料变成可复核、可追问、可复用的知识底稿。

**资料工作流的关键，是让每一句回答都能回到原始依据。**

这篇讲完整链路，也讲它会在哪些地方卡住。

第一环：PDF 先拆成可处理的文本块

*扫描件进入 OCR 和版面解析后的中间产物。*

很多知识库失败，第一步就错了。

大家会直接把 PDF 扔给模型，然后期待它理解全文。如果是干净的电子 PDF，这么做有时能凑合；但一旦遇到扫描件、跨页表格、页眉页脚、签章、图表说明，模型很容易把结构读乱。

所以我会先做一个很朴素的预处理：把 PDF 拆成页，把页面里的正文、表格、标题、图片说明尽量分开，再输出成 Markdown 或 JSON。

工具可以有很多选择。开源 OCR、商业文档解析接口、本地脚本都可以。今天 GitHub 信号池里也出现了 Unlimited-OCR 这类项目，它的方向正好说明一个趋势：文档解析正在从识别文字走向保留版面和上下文。

但具体项目能力仍要以你手里的文件测试为准，不能只看项目介绍。

这一环我看重三件事。

第一，能不能保留页码。没有页码，后面的追溯就会断。资料审查最怕一句话说得很像原文，却找不到出处。

第二，表格能不能单独出来。很多关键信息藏在表格里，如果 OCR 把表格拆成一串散行，后面检索会很痛苦。

第三，失败时能不能标记。识别不了的页不要悄悄跳过，至少要在日志里留下第几页解析失败。这比假装全都处理成功可靠得多。

我通常不会在这一环追求完美。先把最常见的正文和表格处理好，把失败页单独拎出来人工看。小团队最怕一开始就追求全自动，最后为了处理少数脏文件，把整条链路拖到跑不动。

第二环：把文本块变成证据卡

*解析后的文本被切成带来源的证据卡。*

OCR 之后，很多人会得到一个很长的 Markdown 文件，然后继续把它丢给模型。

这一步我会停一下。

长文档对人友好，对检索和问答未必友好。真正能复用的单元应该是证据卡。每张卡片只讲一件事，并且带上来源、页码、主题标签和原文片段。

一张卡片至少有五个字段：标题、原文摘录、来源文件、页码范围、我的备注。

标题要按检索来写，比如调洪演算采用的设计洪水标准、施工期导流方案的限制条件、某处断面复核意见。它要让你三个月后还能一眼看懂。

原文摘录要克制。不要把一整页都塞进去，只截能支撑结论的段落。摘录太长，后面模型回答时会把噪声也带进去。

我的备注只写一类内容：这条证据可能服务什么问题。比如用于回答为什么不能直接套用上一版参数。这句话属于工作判断，要和原文事实分开。

**卡片的价值在于可追溯，不在于看起来像一篇完整笔记。**

这里有一个小坑：自动切片很容易按固定字数切，把一句完整的依据拆开。我的处理方式是先按标题、段落、表格边界切；如果没有边界，再按长度兜底。宁可卡片大小不均匀，也不要把一个证据拆断。

这一环跑通后，资料会从一个大文件变成一组可定位的证据。这时再进入检索，AI 才有机会回答得稳。

第三环：先检索证据，再让 AI 回答

*问题进入检索层，命中证据卡后再交给回答模型。*

很多小团队做知识库，会把重点放在模型上：用哪个大模型，窗口多大，回答多自然。

我的经验是，先别急。

在资料型任务里，检索层比回答模型更重要。因为回答模型只负责组织语言，真正决定答案质量的是它拿到了哪些证据。

我会把流程拆成三步。

一是用户提问。问题最好具体，比如这份报告里对施工期导流有什么限制，不要问总结一下这个项目。后者太大，容易得到一段漂亮废话。

二是本地检索。先用关键词和向量检索各跑一遍，再合并结果。关键词适合找专有名词、文件号、断面名称；向量检索适合找近义表达。两者都不完美，合起来会稳一点。

三是带证据回答。模型只能基于命中的证据卡回答，并且每个关键判断后面要附来源。找不到证据时，就说找不到，不要补。

这一步最容易出现看似聪明的错误。模型会把几张卡片之间的关系说得很顺，甚至把推断写成结论。所以我会在提示词里加一条硬规则：区分原文事实、基于原文的推断、需要人工确认的判断。

这条规则听起来麻烦，但在资料审查里很实用。原文事实可以直接引用；推断可以进入讨论；需要人工确认的判断不能直接写进汇报材料。

我那个做资料审查的老同事老周，最早试这类工具时就说过一句很朴素的话：你别给我讲多智能，你先告诉我这句话从哪页来的。这个要求一点都不过分。资料工作就是靠出处站住脚。

第四环：用反向问题检查链路有没有跑偏

*回答完成后，用反向问题检查证据是否支撑结论。*

知识库搭完以后，不能只问它几个顺手的问题，然后觉得能用。

我会专门准备一组反向问题。

第一类是缺失依据问题。比如资料里没有某项批复依据，就直接问某项批复依据是什么。合格的系统应该回答未在当前资料中找到，不能编一个听起来合理的依据。

第二类是相似问题。比如两个断面名称很像，两个版本的参数也很像，检索层很容易拿错。这个测试能暴露切片和标签是否太粗。

第三类是跨页问题。比如一个条件在前文，限制在后文，中间隔了几页。系统如果只能抓单页，就会漏掉关系。

第四类是人工已知答案。拿一个你确定答案的问题测试，看系统能不能找到同一出处。这个测试不需要多，三五个就够。关键是每次更新解析工具或切片规则后，都要重跑。

**资料问答系统最危险的状态，是它大多数时候都对，偶尔错得很像真的。**

所以我不建议一开始就把它接到正式交付里。先让它服务内部检索和初稿准备。等你知道它在哪些文件类型上容易错，再决定要不要进入更严肃的流程。

这一环还有一个维护成本：资料更新。新文件进来后，要能增量解析、增量生成卡片、增量更新索引。每次都全量重建当然也能跑，但资料一多就会慢，而且很难排查是哪次更新引入了问题。

最小版本：先做本地资料助手

*小团队可先保留 OCR、证据卡和本地问答三件套。*

如果你想照着做，我建议把目标压得小一点。

不要一上来就说我要搭一个企业知识库。这个目标太大，权限、协作、版本、审计、成本都会涌进来。先做一个本地资料助手，服务一个人或一个小组，处理一类固定资料。

最小版本只保留三环。

第一，OCR 和版面解析。先挑十份最常见的 PDF，跑一遍，人工看输出。如果表格和页码全乱，后面不用继续。

第二，证据卡。把解析结果切成带来源的卡片，先不用复杂数据库，Markdown 文件加一个索引表就够。

第三，证据问答。让模型只基于命中的卡片回答，回答必须带来源，找不到就说找不到。

成本主要在三处：OCR 质量、切片规则、资料保密。涉及敏感项目资料时，优先本地处理，至少要确认文件不会被上传到你无法控制的服务。这个边界比模型能力更重要。

这条链路也不适合所有材料。图片质量太差、表格跨页严重、扫描件倾斜变形、术语大量依赖图纸的资料，都需要额外人工处理。AI 能帮你缩短整理路径，但它替代不了资料责任人。

我对这类工作流的判断很克制：它不会让小团队一夜之间拥有知识管理系统，但它能先把找资料、抄出处、写初稿这三件事变得更稳。

稳，比炫更值钱。

如果把这条链路再压缩成一张执行卡，就是四步：先把 PDF 解析成带页码的文本块，再切成证据卡，然后检索证据卡，最后用反向问题做回归测试。每一步都保留中间文件，出错时才能知道问题发生在 OCR、切片、检索还是回答。

我不建议小团队一开始就追求漂亮界面。先让文件能追溯，让答案带出处，让错误能复盘。界面可以晚一点做，证据链要先稳住。

这也是资料型 AI 工作流和普通聊天工具最大的区别：普通聊天追求回答顺滑，资料工作追求责任清楚。谁提供了依据，哪一页支撑了结论，哪一句属于推断，都要能摊开看。

如果你所在的小团队现在还没有任何资料系统，别急着买一套很重的平台。先选一类高频资料，做一个小样本：十份 PDF、二十个常见问题、一套证据卡模板。跑完之后再看两个结果：一是同一个问题下次能不能更快找到出处，二是新同事能不能沿着卡片复核你的答案。

这两个结果比界面漂亮更关键。前者说明检索真的减负，后者说明知识开始脱离个人记忆，变成团队可以接力的资产。到这一步，再谈权限、协作、自动更新，才有地基。

我对这条链路的期待很小，也很实在：让资料少一点散，让回答少一点飘，让每次写材料时多一条能回到原文的路。

对小团队来说，这条路已经够用了。先让证据链跑起来，再慢慢把它变成团队流程；先服务一个真实任务，先让团队愿意用，再扩展到更多资料。