夜雨聆风你上传的 PDF，AI 是怎么"读懂"的？
前面几篇文章，我们聊了 RAG 的流程、向量数据库、Embedding。这些概念放在一起，其实就是在回答一个问题：你上传一份 PDF，AI 怎么把它变成能回答问题的知识？
今天我们就来把这个过程从头到尾串一遍。
一个完整的流程
假设你手头有一本 300 页的 PDF，内容是公司内部的产品手册。你把它上传到一个 RAG 知识库系统里，然后问："这个产品的保修期是多久？"
从你上传 PDF 到 AI 回答你的问题，背后发生了三件事：提取文字、切成小块、变成向量存入数据库。下面我们一步步来看。
第一步：把 PDF 变成纯文本
PDF 文件是什么？它本质上是一个"排版好的版面"。里面有文字、有图片、有表格，但这些内容在 PDF 里是以"打印出来好看"的方式存储的，而不是以"方便计算机读取"的方式存储的。
所以第一步，需要把 PDF 里的文字"提取"出来。
这个过程叫"文档解析"。有一套专门的工具来处理这件事，它支持各种格式：PDF、Word、PPT、Excel、Markdown，甚至图片里的文字也能通过 OCR 技术识别出来。
提取出来的结果就是纯文本，没有任何格式，没有任何排版，就是一行一行的文字。
第二步：把长文章切成小块
提取出来的纯文本，可能是一整本 300 页的书，几十万字。
能不能直接把一整本书扔给 AI？不行。
原因有两个：
第一，AI 一次"看"不了那么多。 大模型处理文本的时候，有一个"上下文窗口"的限制。你可以把它理解为 AI 的"短期记忆"——它一次只能记住几千到几万字的内容。超过这个范围，前面的内容就"忘"了。
第二，小块检索更精准。 你想一个问题，通常只跟书中某几页相关，不需要整本书的内容。如果每次都把整本书扔给 AI，它不仅速度慢，而且容易被大量无关信息干扰，找不到重点。
所以第二步，需要把长文本"切成小块"。这个过程叫"分片"，英文叫 Chunking。
怎么切呢？打个比方，就像你做读书笔记的时候，不会把整本书抄一遍，而是按章节来总结，每一章记一个要点。分片也是类似的思路：把长文本按一定规则切成一小段一小段的内容。
而且，相邻的小段之间会有一点"重叠"。比如第 1 段是从第 1 句到第 50 句，第 2 段是从第 40 句到第 90 句。为什么要重叠？因为有时候一个完整的意思刚好跨在两个分片之间，如果不重叠，这个意思就被切断了。
第三步：把每个小块变成向量
切好之后，每一小段内容都要变成向量。这就是我们之前聊过的 Embedding。
还记得 Embedding 是什么吗？就是把一段文字转换成一串数字。这串数字代表了这段文字在"语义地图"上的位置。
比如有一段文字是："该产品的保修期为两年，自购买之日起计算。"
经过 Embedding 之后，它就变成了一个 768 位的数字列表。这个数字列表就是这段文字的"语义坐标"。
然后，这段文字和它的向量坐标一起，被存进向量数据库。
第四步：提问时，检索相关内容
现在，知识库已经准备好了。你问了一个问题："这个产品的保修期是多久？"
系统会做以下事情：
把你的问题也变成向量（用同样的 Embedding 方法）。 在向量数据库里搜索，找到跟你的问题向量"距离最近"的那几个文档片段。 因为"保修期"和"保修期为两年"在语义地图上离得很近，系统就能精准地找到那条"该产品的保修期为两年，自购买之日起计算"。
全流程回顾
让我们从头串一遍：
你上传 PDF 系统提取 PDF 中的文字，变成纯文本 系统把长文本切成一小段一小段（每段几百字，段与段之间有一点重叠） 每一段都通过 Embedding 变成一串数字（向量） 这些向量和对应的原文一起存入向量数据库 你提问时，问题也被变成向量 在向量数据库里找到最相似的几个片段 把这些片段和你的问题一起发给 AI AI 基于这些片段生成回答
整个过程，对你来说只是在聊天的对话框里输入了一句话。但背后，AI 已经帮你做了这么多事情。
小结
今天我们串起了 RAG 知识库的完整工作流程，核心就是三步：
- 提取
：把 PDF 变成纯文本 - 分片
：把长文本切成小块，块与块之间有一点重叠 - 向量化
：把每个小块变成向量，存入向量数据库
这三步完成之后，你的知识库就建好了。以后不管你问什么问题，AI 都能先查资料再回答，而不是凭空编造。
最后一篇文章，我们来聊聊一个更实际的话题：作为一个大一新生，在 AI 时代应该学什么？
下一篇预告：AI 时代，大一新生应该学什么？
