Agent的RAG遇到PDF应该如何处理？

Agent 处理 PDF，千万别直接当 TXT 读。

真实业务里的 PDF 贼复杂。带目录、跨页表格、多栏排版，甚至还是扫描件。粗暴抽纯文本，切出来的可能全是断裂的句子和乱码。

生产级方案得按四层来：

先识别类型：原生 PDF 直接抽文字；扫描件丢给多模态模型一起理解。
按页做向量化：每页生成一个 embedding。这样检索准，溯源也精准到页码。
还原文档骨架：别只留一坨字。页码、标题层级、表头、图片说明全得保住。
切片补上下文：每个片段带上文档 ID、页码等元数据。开头还得补一句上下文说明，免得模型“只见树木不见森林”。

最后交给 Agent 按需加载。 简单事实调 search，复杂对比让 Agent 规划阅读路径。遇到图表再专门调工具。千万别一股脑把整个 PDF 塞进上下文。

防幻觉是硬指标。 回答必须带可点击跳转的页码引用。证据不足就老实说没找到。评测时不仅要看答案对不对，还得查它有没有找对页码。

记住：PDF 是多模态容器，不是纯文本。