搭建专业知识库——②PDF 如何分类入库

第一篇把知识库的文件夹建起来之后，我遇到的第二个问题是：

PDF 到底应该怎么放？

是直接丢进 papers 文件夹？还是让 AI 一口气总结成知识节点？或者每篇 PDF 都先生成一张文献卡？

一开始我也想得比较简单：把 PDF 下载下来，放进对应文件夹，再让 AI 总结一下，知识库不就慢慢形成了吗？

但真正试了一轮之后发现，PDF 入库也要分层，不能急。

因为 PDF 不是知识库的终点，它只是原始资料。如果一上来就让 AI 从 PDF 直接生成知识节点，很容易出现几个问题：

一是重复文献没有识别出来；二是分类依据不清楚；三是文献卡内容过于空泛；四是节点命名和翻译不统一；五是很多结论没有证据来源。

所以，第二步我先不追求“读懂所有文献”，而是先让 PDF 从“散乱文件”变成“可追踪资料”。

一、PDF 入库，先不要急着总结

我现在比较认可的顺序是：

去重→ 轻量识别→ 拟分类→ 人工确认→ 正式入库

也就是说，第一轮不要让 AI 做太多事。

不要一上来就要求它：

全文精读；
生成详细文献卡；
提取概念节点；
建立知识图谱；
自动更新正式知识节点。

这些工作不是不能做，而是不应该在第一步混在一起做。

对 PDF 来说，最先要解决的是几个基础问题：

这篇 PDF 是不是重复？题名、作者、年份、DOI 能不能识别？它属于论文、报告、规范、专利，还是网页文章？它应该放在哪个分类目录？它是否需要人工复核？

这些问题看起来很基础，但它们决定了后面知识库是否可控。

如果前面分类错了、重复没处理、来源没登记，后面 AI 生成再多内容，也可能只是在制造更复杂的混乱。

二、什么是“轻量识别”？

我一开始也疑惑：为什么不直接总结？为什么还要搞一个“轻量识别”？

后来想明白了。

分类阶段不需要深度阅读，重点是识别这篇资料“是什么”。

轻量识别大概包括这些信息：

文件名题名作者年份DOI期刊或来源摘要是否可识别关键词是否可识别研究对象主要污染物主要介质主要方法主要场景建议分类分类理由置信度是否需要人工复核

这一步的目的不是评价文章好不好，也不是提炼全部知识，而是回答：

这篇资料应该进入知识库的哪个入口？

比如一篇文章主要讲 DNAPL 在非均质介质中的迁移机制，那它可能进入“基础与迁移机理”；一篇文章主要讲 MIP、LIF、HPT 等高分辨率调查技术，那它可能进入“识别与表征”；一篇文章主要讲数值模拟、参数反演、机器学习预测，那它可能进入“模拟与预测”。

轻量识别就像给每篇 PDF 做一个“入库前体检”。

体检合格，再正式入库；识别不清，就先放到待分类；疑似重复，就先标记，不要急着删除。

三、PDF 分类目录怎么设？

我目前选择的是偏中文的分类目录。

例如：

raw/papers/├── 01_NAPL_基础与迁移机理/├── 02_NAPL_识别与表征/├── 03_NAPL_在线监测与诊断/├── 04_NAPL_模拟与预测/├── 05_NAPL_治理与修复技术/└── 99_待分类/

四、为什么不要直接创建正式知识节点？

这是我这一轮最重要的感受。

PDF 是原始资料。文献卡是资料入口。知识节点才是稳定知识。

这三者不能混在一起。

如果直接从 PDF 创建正式节点，很容易出现几个问题：

同一个概念被重复创建；中文名和英文名不统一；AI 把不确定内容写成了确定结论；一些节点只有名字，没有证据；后面想合并、修改、追溯会很麻烦。

比如 10 篇论文都提到 DNAPL source zone，并不意味着要创建 10 个“DNAPL源区”页面。

更合理的做法是：

先让每篇 PDF 形成自己的文献卡；再从文献卡里提取节点候选；再判断这些候选是新建节点，还是更新已有节点，还是只是给已有节点增加一个英文别名。

也就是说，节点不是一开始穷尽出来的，而是在文献阅读、工程思考和写作过程中持续生长出来的。

这一步要慢一点。

宁可先生成“节点候选表”，也不要一口气生成很多正式节点。

五、我现在的 PDF 入库小流程

目前，我会把 PDF 入库拆成两个阶段。

第一阶段，只做试运行：

初始化检查→ 统计 PDF→ 去重检查→ 轻量识别→ 输出拟分类表→ 输出人工复核清单→ 等待确认

这一阶段不移动 PDF，不更新台账，不生成正式文献卡，也不创建知识节点。

它的作用是先看看 AI 的判断是否靠谱。

第二阶段，确认后再正式入库：

移动 PDF 到对应目录同时生成清单、日志文件等

这里面最关键的是：即使进入第二阶段，也仍然不要创建正式知识节点。

因为文献卡质量还需要检查。节点候选也需要审核。真正进入概念库、方法库、机制库的内容，应该是经过确认、能够复用、并且有证据来源的内容。

六、这一步的目标不是“读懂”，而是“可追踪”

第二篇做到这里，其实 PDF 还没有真正变成知识。

它只是从“散乱文件”变成了“可追踪资料”。

但这一步很重要。

因为只有 PDF 可追踪，后面的文献卡才有来源；只有文献卡有来源，后面的知识节点才有证据；只有节点有证据，知识库才不是一堆 AI 总结，而是一个可以长期维护、持续校验、反复调用的专业系统。

所以，PDF 入库这一步，我现在的理解是：

先不要追求 AI 一次性读懂所有文献。先让每一份资料有来源、有分类、有记录、有复核状态。

真正的难点在下一步：

AI 能不能把 PDF 读深？一张文献卡到底应该提取哪些内容？为什么有时候 AI 明明生成了很多文件，但内容却很空？

这也是我踩坑最多的地方。