先说判断

几百页、带表格和图纸的 PDF，最容易把 AI 项目做成玄学：一上来就切片、向量化、接大模型，然后发现问什么都像在碰运气。真正的关键不是“RAG 怎么调参”，而是先把这份 PDF 从“文件”拆成“证据系统”。

第一步：别急着切，先盘点

复杂 PDF 不是一种资料，而是很多种资料装在一个壳里。正文、目录、表格、扫描页、图纸、脚注、附件，它们的处理方式都不一样。

开工前先做一张清单：哪些页是纯文字，哪些页是表格，哪些页是图纸，哪些页 OCR 质量差，哪些页只是封面和目录。普通人做 AI 工作流，经常败在这里：把所有页面当成同一种文本处理，后面再怎么补 Prompt 都救不回来。

第二步：把“版面”保留下来

RAG 不是把字抽出来就完事。复杂 PDF 里，信息常常藏在位置关系里：表格的行列、图纸的标注、标题和正文的层级、页码和章节的对应关系。

所以入库时至少要保留三类信息：原文内容、页码来源、结构位置。表格不要粗暴拆成一堆碎句，最好转成结构化表；图纸不要只丢给 OCR，可以先生成一段“图纸说明”，再把图片路径、页码、说明一起入库。

第三步：做两层知识库

一层叫“证据库”，尽量忠于原 PDF，负责可追溯；另一层叫“任务库”，把证据整理成常见问答、概念解释、字段索引、流程摘要，负责好用。

这对内容和教育从业者很重要。比如你要把政策文件、教材、讲义、真题解析做成 AI 助手，不能只追求“答得像人”。更重要的是：它能不能指出答案来自哪一页，能不能区分原文结论和自己的推断。

第四步：检索要分流

不要所有问题都走同一条向量检索。问定义，查正文；问数值，查表格；问位置和关系，查图纸说明；问整章逻辑，先查章节摘要。

一个实用做法是：先让 AI 判断问题类型，再决定去哪个索引里找材料。普通文本用关键词加向量，表格用字段检索，图纸用说明和页码定位。这样比单纯扩大 Top K 更稳。

第五步：答案必须带刹车

复杂资料的 AI 助手，最怕一本正经地编。输出规则要提前写死：能回答就引用页码；证据不足就说不足；表格数字要说明来源；涉及图纸细节时提醒用户查看原页。

最后给一个落地清单：先分类页面，再做 OCR 和版面识别；表格单独结构化；图纸生成说明并绑定原图；建立证据库和任务库；按问题类型分流检索；答案强制带来源和不确定性。

这套打法不酷，但可靠。复杂 PDF 的 RAG，本质不是“让 AI 读完几百页”，而是把几百页资料整理成一个能查、能引、能校验的工作台。