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：

1. 把你的问题也变成向量（用同样的 Embedding 方法）。
2. 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。
3. 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：

1. 你上传 PDF
2. 系统提取 PDF 中的文字，变成纯文本
3. 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）
4. 每一段都通过 Embedding 变成一串数字（向量）
5. 这些向量和对应的原文一起存入向量数据库
6. 你提问时，问题也被变成向量
7. 在向量数据库里找到最相似的几个片段
8. 把这些片段和你的问题一起发给 AI
9. 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？