AI 应用的文档智能与 PDF/OCR 工程 2026
把版面分析当作第一性信号、表格与公式当作结构化信号、长文档分块当作语义信号、引用溯源当作可验证信号——四类信号在统一架构下协同，让 RAG 不再只处理切碎的文字，而是处理真实可信的文档。
约 39 分钟阅读11,603 字8 次阅读博主
把版面分析当作第一性信号、表格与公式当作结构化信号、长文档分块当作语义信号、引用溯源当作可验证信号——四类信号在统一架构下协同，让 RAG 不再只处理切碎的文字，而是处理真实可信的文档。
一句话摘要：把版面分析当作"第一性"信号、表格与公式当作"结构化"信号、长文档分块当作"语义"信号、引用溯源当作"可验证"信号——四类信号在统一架构下协同，让 RAG 不再只处理"切碎的文字"，而是处理"真实可信的文档"。
当我们说"AI 应用"时，大多数人脑海里浮现的是一个对话框：用户问，模型答。RAG 把它升级成"模型能引用外部知识"。但当终端用户面对的不是 Wiki 文章、不是 Markdown 笔记、不是客服 FAQ——而是 PDF 财报、扫描的合同、含表格与公式的科研论文、几百页的合规白皮书时——RAG 的"切块 → 嵌入 → 检索"三件套就像一个只读过童话书的图书管理员被扔进国家档案馆：它能识别字，但读不懂版面；它能找到片段，但连不成上下文；它能引用句子，但溯源不到页码与表格。
这不是一个边缘问题。据多家咨询机构（具体数字口径不一）估算，企业内部 70%–85% 的高价值知识资产仍以 PDF、扫描件、Word 文档形式存在，而非结构化数据库。法律合同、招标书、上市招股说明书、临床试验报告、监管备案文件、医学影像报告单——这些文档既是"AI 应用最想吃的蛋糕"，也是"切块-嵌入-检索"最啃不动的骨头。原因有三：
第一，版面即语义。同一段文字出现在标题区、引文区、脚注区、表格单元、章节小标，含义完全不同。传统 RAG 的 chunk 是无版面意识的文本切片，它把章节标题与正文切到同一块，把表格单元与脚注切到同一块，把页眉页脚与正文切到同一块——索引建得再漂亮，召回也是失真的。
第二，结构化内容是非自由文本。表格是二维的，公式是符号的，图片是连续值的，引用关系是有向图。把它们都压成一维字符串再嵌入，等于把乐谱翻译成"do re mi"再让模型听音识别和弦——信息熵的损失是不可逆的。
第三，长文档的引用必须可验证。当一份 300 页的财报被切成 600 段、每段 1000 字时，模型可以给出"答案"，但用户问"这句话出自第几页、哪张表"，系统答不出来。不可验证的答案在金融、医疗、法律领域等于不可用。
文档智能（Document AI / Document Intelligence）就是把上述三类挑战工程化的一套技术栈。它不是单一模型、单一算法，而是版面分析（layout analysis）+ 表格结构识别（table structure recognition）+ 公式识别（formula recognition）+ 光学字符识别（OCR）+ 长文档分块（long-document chunking）+ 引用溯源（citation tracing）+ 多模态检索（multimodal retrieval）的协同系统。本文的目标，就是把这七层能力拆解清楚，并给出从 POC 到生产环境落地的工程取舍。
在进入具体机制之前，先把"文档"的形式化定义写出来。一个 PDF 文档 可以被抽象为一个七元组：
其中 是页面集合（每页 是一个二维像素栅格 + 一个文本流）； 是版面标注（layout annotation）——把每页划分成若干"区域"（region），每个区域带一个语义类别（标题、正文段落、表格、公式、图注、脚注、页眉页脚）； 是表格集合（每个表格 是一个二维网格 + 表头 + 单元格值的层次结构）； 是公式集合（每个公式 可以表示为 LaTeX / MathML / 像素图像三种形式之一）； 是图像集合（figure、photo、chart 等）； 是元数据（作者、日期、版本号、章节大纲、目录树）； 是跨页引用关系（citation graph）——"§3.2 引用了 §1.5 的定理 2"、"图 5 引用了表 3 的数据"这类有向边。
传统 RAG 的输入只有"PDF 的文本流"——它把 投影到一个一维字符串序列 上，再分块。文档智能的核心差异是：保留 的七元组结构，并把它投射到一个"可索引的异构表示空间"——文本块、表格记录、公式片段、图嵌入、引用边五种索引共存。
这个形式化定义看似抽象，但它的工程价值是直接的：它把"文档智能"从一种模糊的"AI 能读 PDF"营销话术，分解为七种可独立实现、可独立评估、可独立替换的子任务。每一种子任务都有公开 benchmark、公开模型、公开数据集、公开评估指标。下文的 §3–§7 就是按这个分解逐层展开。
版面分析（layout analysis）是文档智能的"第一道门"。它的任务是：给定一页 PDF，给出这页的区域划分与每个区域的语义类别。它是把"自由文本流"恢复成"结构化版面"的关键一步。
截至 2026 年，版面分析的工程实现主要分三派：
第一派——基于深度学习的检测式版面分析。代表模型是 YOLO 系（YOLOv8 / YOLOv11 的版面分支）、DiT（Document Image Transformer by Microsoft）、LayoutLMv3（Microsoft, 2022 提出后持续迭代至 v4）。它们的做法是把页面渲染成图像（150–300 DPI），用目标检测或序列标注给出每个 token / pixel 的语义类别（标题、正文、表格、公式、图注）。训练数据主要来自 PubLayNet（IBM, 2019，35 万页文档版面标注）、DocLayNet（IBM, 2022，8 万页多领域版面）、DocBank（Microsoft, 2020，50 万页学术文档）三大公开数据集。优势：能识别"非典型版面"（混合排版、表格嵌图、跨栏表格）；劣势：对"训练集分布外的文档"（古文档案、艺术画册、特殊行业表格）泛化能力较弱。
第二派——基于 PDF 解析的结构化提取。代表工具是 PyMuPDF（曾用名 fitz）、pdfplumber、Apache PDFBox、Unstructured.io、Marker（由 GitHub 社区维护的开源 PDF 转 Markdown 工具）。它们利用 PDF 本身的文本流、字体元数据、坐标信息，把"文字块 + 字体大小 + 坐标"组合成版面结构。优势：纯文本类 PDF 速度快（无需 GPU），元数据丰富（可以拿到字体、字号、坐标、颜色），对数字版 PDF 准确率极高；劣势：扫描件 PDF 完全失效（没有文字流只有图像），对复杂版面（多栏嵌套、表格嵌公式）的还原能力有限。
第三派——视觉-语言多模态模型（VLM）端到端。代表模型是 GPT-4o / GPT-5 vision、Gemini 2.5 Pro Vision、Claude 3.7 Sonnet vision、Qwen2.5-VL、InternVL2.5。它们的做法是直接把整页 PDF（甚至几十页 PDF）输入 VLM，让它以自然语言方式输出版面结构（"标题：……；正文段落 1：……；表格：……；图注：……"）。优势：零样本泛化能力极强，对罕见版面也能给出合理输出；劣势：推理成本高（每页几 cents 到几十 cents）、速度慢（GPU 推理 + 长上下文）、输出格式不稳定（同一页两次调用可能给出不同结构）、幻觉风险（可能编造表格内容）。
工程实践的取舍很清晰：POC 阶段用 VLM（Qwen2.5-VL 或 GPT-4o vision），快速验证"文档能否被 AI 读懂"，迭代快；生产阶段用"检测式版面分析 + PDF 结构化解析"的混合流水线——数字版 PDF 走 PDFBox/pdfplumber 路径（毫秒级，准确率 >95%），扫描件 PDF 走 DiT/LayoutLMv3 检测路径（秒级，GPU 依赖），极端版面（手写、古文、表格嵌图）保留 VLM 作为兜底（秒级，按需触发）。这种"快路径 + 慢路径 + 兜底路径"的三层架构，是任何文档 AI 生产系统的事实标准。
实测（截至 2026 年中，据多个公开 benchmark）：在 DocLayNet 测试集上，纯 DiT-base 的版面区域检测 mAP 约 0.78，Qwen2.5-VL-72B 的版面区域检测 mAP 约 0.71（落后于专用模型），但 VLM 在"罕见版面"上的零样本准确率显著高于专用模型（高 15–25 个百分点）。两者不是替代关系，是互补关系。
表格与公式是文档智能的两大"硬骨头"。它们都是结构化的，但结构化的方式完全不同——表格是二维的、公式是符号的。
表格结构识别（Table Structure Recognition, TSR）的目标是：把一张"看起来像表格"的区域，还原成一个可被程序遍历的二维网格。截至 2026 年，主流实现是一个四步流水线：
第一步，表格检测（Table Detection）。给定页面区域，定位"哪些区域是表格"。模型通常是 YOLO 系或 DiT 系，输出 bounding box。
第二步，表格单元格分割（Cell Detection / Segmentation）。给定表格区域，识别每个单元格的边界。模型通常是 Cascade Mask R-CNN 或 LayoutLMv3 的扩展头。
第三步，单元格内容 OCR（Cell OCR）。对每个单元格区域跑 OCR（引擎可选 Tesseract 5、PaddleOCR 3、EasyOCR、TrOCR），输出文本内容。
第四步，单元格关系推断（Cell Relationship）。推断哪些单元格是表头、哪些是被合并的（colspan / rowspan）、哪些是空单元格、表格是否有跨页。
公开 benchmark 是 PubTabNet（IBM, 2020，56 万张表格图像 + HTML 结构标注）与 FinTabNet（表格 HTML 还原任务专用）。截至 2026 年中，SOTA 模型在 PubTabNet 上的 TEDS（Tree-Edit-Distance-based Similarity）分数约 0.85–0.92，距离"完全无误差"仍有 8–15 个百分点的距离——这意味着生产系统不能假设表格识别 100% 准确，必须保留人工校对环节。
公式识别（Formula Recognition）的目标是：把一张公式图像，转成 LaTeX / MathML / SymPy 表达式。截至 2026 年，主流实现分两派：
第一派——专用模型。代表是 Nougat（Meta, 2023，论文 PDF → Markdown 专用）、Pix2Tex（开源）、UniMER（Shanghai AI Lab）、FormulaNet（专门针对数学公式）。它们的训练数据来自 IM2LaTeX-100K、CROHME、UniMER 数据集。优势：对标准印刷体公式识别准确率高（LaTeX 还原率 80–90%），速度快（小模型可在 CPU 上跑）；劣势：对手写公式、复杂嵌套、表格中公式的支持较弱。
第二派——VLM 端到端。Qwen2.5-VL、GPT-4o vision 等多模态模型可以直接"看公式图像，输出 LaTeX"。优势：零样本能力强，对罕见符号（罕见数学符号、物理符号、化学式）的还原能力强；劣势：成本高、速度慢、长文档批量处理时账单吓人。
工程取舍与版面分析类似：POC 用 VLM（验证可行性），生产用 Nougat + VLM 兜底（数字版公式 Nougat，扫描件公式 VLM）。公式的 LaTeX 还原精度直接影响下游"公式检索"——如果公式被识别成纯文本"a plus b over c"，则公式作为查询条件完全失效。
表格与公式被识别后，如何进入 RAG 索引？常见三种策略：
策略 A：纯文本化。把表格转成"行：列1值，列2值，列3值"字符串，把公式转成 LaTeX 源码（公式检索时按 LaTeX 字符串匹配）。优势：实现简单，可用现成 embedding 模型；劣势：表格的二维结构丢失（无法做"按列聚合"查询），公式的视觉结构丢失（无法做"按公式相似度"检索）。
策略 B：结构化存储。表格存入关系数据库或列式存储（Parquet、Arrow），公式存入专门的公式数据库（按 LaTeX 抽象语法树索引）。优势：表格可以 SQL 查询，公式可以 AST 相似度匹配；劣势：需要额外的存储 + 检索基础设施，与文本向量库是两套系统。
策略 C：多模态嵌入。用专门的表格 embedding 模型（如 TableBERT、TAPAS 后续工作）或公式 embedding 模型，把表格 / 公式的视觉 + 文本联合嵌入到向量空间。优势：可以与文本检索统一接口（都按向量相似度召回）；劣势：模型选择少、训练数据少、生产稳定性未充分验证。
工程实践：策略 A + B 组合最常见——表格按"行文本化 + 结构化备份"双写，公式按"LaTeX 文本化 + AST 索引备份"双写。文本化用于通用 RAG，结构化备份用于"用户问具体数字 / 具体公式"的高精度查询。
版面分析与表格公式识别处理的是"单页"或"单区域"。当文档长达几十页、几百页时，RAG 层需要解决两个独立但相关的问题：怎么切与怎么溯源。
长文档分块（long-document chunking）的目标是：给定一份 N 页的文档，输出一组"语义完整的 chunk"，每个 chunk 自带版面类别（标题 / 正文 / 表格 / 公式）、页码范围、章节归属。四个流派：
流派 1——固定窗口分块。每 500–1000 字切一块。优势：实现最简单，与 embedding 模型输入长度对齐；劣势：无视版面结构，切碎句子、切碎表格、切碎章节。
流派 2——按版面分块。每个版面区域（标题、正文段、表格、图注）作为独立 chunk。优势：保留版面语义，召回质量显著提升；劣势：chunk 大小不可控（表格可能 5000 字，图注可能 20 字），需要后续"二次切分"或"chunk 聚合"。
流派 3——按章节分块。以章节 / 子章节为粒度分块。优势：chunk 大小可控（每章几千字），上下文完整；劣势：长章节（>10 页）仍需二次切分，对无章节文档（合同、发票）失效。
流派 4——按语义分块。用 LLM 或专用模型判断"语义边界"，在自然段切换、话题转换处切。优势：理论最优；劣势：实现复杂、成本高、稳定性弱。
工程取舍：流派 2（按版面）+ 流派 3（按章节）的复合流水线——先按版面给出 chunk，再按章节聚合（同一章节的相邻版面 chunk 聚合成一个"章节 chunk"），再用固定窗口做兜底切分（防止 chunk 超过 embedding 模型上限）。这是 LangChain 的 RecursiveCharacterTextSplitter + 自定义版面感知的扩展形态。
实测（2026 年中，多个公开评测）：在长文档问答任务（NarrativeQA、Qasper、QuALITY）上，"版面感知 + 章节聚合"分块比"固定窗口"分块的 Recall@10 提升 10–20 个百分点，是性价比最高的分块策略升级。
引用溯源（citation tracing / provenance tracking）的目标是：任何从 RAG 检索出的 chunk，都必须能告诉用户"它出自哪一页、哪一节、哪个版面类别、原文档的哪一节标题"。三层索引：
层 1——chunk 元数据。每个 chunk 自带 page_start、page_end、section_path（如 第 3 章 > 3.2 节 > 3.2.1 子节）、region_type（title / paragraph / table / formula / figure-caption）、doc_id、doc_version。
层 2——chunk 位置指针。每个 chunk 在原始 PDF 中有"页码 + 区域坐标"。用户点击"查看原文"，直接跳到 PDF 的对应位置（用 PDF.js 或 pdf-viewer 的 anchor 功能实现）。
层 3——chunk 引用关系图。chunk 之间的引用关系（如"§3.2 引用了 §1.5 的定理 2"）存为有向图。当模型给出答案时，溯源系统不仅告诉用户"答案出自 chunk X"，还告诉用户"chunk X 引用的前置 chunk 是 Y、Z"——让用户能顺着引用链回到原文上下文。
工程上，层 1 是默认实现（几乎所有 RAG 框架都支持），层 2 需要 PDF 坐标与 chunk 的双向映射（用 PyMuPDF 的 get_text("blocks") 接口 + chunk 起始字符索引实现），层 3 需要额外的图数据库（Neo4j 或 NetworkX）或嵌入在向量数据库中的元数据。生产环境建议至少落地层 1 + 层 2。
文档不只是文字。图表（chart）、示意图（diagram）、扫描图片（figure）、带圈点的标注（annotation）都是文档的"图像成分"。传统 RAG 完全忽略这些——它把"图"切成 alt-text 或图注一句话就索引了。但 alt-text 与图的实际内容常常脱钩。
层次 1——图表 caption 索引。只把图表标题、图注文字嵌入向量库。优势：实现最简；劣势：召回率低（用户问"图 5 显示的趋势是什么"，图 5 的 caption 写的是"图 5：营收结构"，根本答不上）。
层次 2——图表视觉内容理解。用 VLM（Qwen2.5-VL、GPT-4o vision）对每张图表生成"视觉描述文本"（"图 5 显示 2023–2026 年公司营收从 12 亿增至 47 亿，年增长率 58%，2025 年起增长加速"），再把这段描述文本嵌入向量库。优势：召回质量显著提升，能回答"图 X 显示了哪些趋势"；劣势：每张图表需要一次 VLM 调用（成本），视觉描述有幻觉风险。
层次 3——图表结构化提取。把图表转成"结构化数据"（散点图 → x/y 坐标数组，柱状图 → 类目 / 数值表，折线图 → 时间序列），存到专门的图表数据库。优势：可做精确查询（"图 5 中 2024 年的具体数值是多少"）；劣势：实现复杂，需要专门的图表理解模型（如 ChartQA、DePlot）。
工程取舍：层次 1 + 层次 2 组合最常见——caption 索引做粗筛，视觉描述做精排，结构化提取作为兜底（仅对关键图表做）。层次 3 是"高价值图表 + 用户问具体数字"场景的加分项。
把图像 + 文本嵌入到同一向量空间，是多模态检索的关键。主流方案有三：
方案 A——CLIP 风格统一嵌入。用 CLIP 类模型（OpenAI CLIP、OpenCLIP、Chinese-CLIP、SigLIP）把图像和文本都映射到同一向量空间。优势：跨模态检索（文本查图像、图像查文本）天然支持；劣势：对"领域特定图像"（医学影像、工程图、表格图像）的检索精度有限。
方案 B——双塔独立嵌入 + 后期融合。文本用 BGE / M3E 嵌入，图像用 DINOv2 / ViT 嵌入，检索时分别召回再融合（RRF 或加权打分）。优势：每个塔可以独立选最优模型；劣势：跨模态检索需要特殊处理（不能直接同空间相似度）。
方案 C——VLM 端到端联合检索。用 Qwen2.5-VL、Gemini 等直接接受"文本 + 图像"混合输入，给出相关性打分。优势：最灵活（任意组合）；劣势：成本最高、速度最慢，不适合大规模召回。
工程实践：方案 A作为默认（CLIP / SigLIP 对一般图像 + 文本足够），方案 B作为领域特定场景（医学 / 工程 / 金融）的升级路径，方案 C作为精排阶段（粗筛用方案 A，精排用方案 C）。
把 §3–§6 的能力落到生产环境，需要六个明确的工程决策。
决策 1——文档入库管线必须有"版面 → 表格 → 公式 → 图像"四阶段流水线。任何"PDF → 文本 → embedding"的简化管线在生产环境都会爆雷——它要么丢了表格，要么丢了公式，要么丢了对页码的引用。版面分析是必做的第一步。
决策 2——长文档分块按"版面 + 章节"复合策略。固定窗口分块在 2026 年已经不是生产可行方案。"版面感知 + 章节聚合"是当前性价比最高的策略，需要自研或基于 LangChain / LlamaIndex 的 TextSplitter 扩展。
决策 3——引用溯源至少落地 chunk 元数据 + 页码指针。前者是 RAG 框架的标配，后者需要 PDF 解析时的字符索引与版面坐标的双向映射。引用关系图（层 3）是高阶需求，可以二期再上。
决策 4——公式与表格的双写策略。结构化备份（数据库 / AST）+ 文本化（embedding）是生产实践的事实标准。任何"只做文本化"的方案，在金融、医疗、法律场景都会被用户的"具体数字 / 具体公式"查询打穿。
决策 5——POC 用 VLM，生产用专用模型 + VLM 兜底。VLM（Qwen2.5-VL / GPT-4o vision）是 POC 阶段验证可行性的最快路径，但生产环境必须切到专用版面分析（DiT / LayoutLMv3）+ 专用 OCR（PaddleOCR / Tesseract 5）+ VLM 兜底的三层架构。
决策 6——可观测性与评估必须按文档领域定制。通用 RAG 的评估（Faithfulness、Relevance）不够，需要加入"页码溯源准确率"（答案的引用页码是否正确）、"表格数值准确率"（从表格取出的数字是否与原文一致）、"公式 LaTeX 还原率"（公式识别的 TEDS 分数）。这些指标用 LLM-as-judge + 人工抽检双轨评估。
文档智能在 2026 年仍未解的硬骨头有四个。
未解 1——手写文档与古籍。OCR 在印刷体上已经达到 99%+ 准确率，但在手写体、古文字（甲骨文、敦煌写本）、罕见排版（活字印刷、手抄本）上仍显著低于印刷体。PaliGemma 2、HTR（Handwritten Text Recognition）模型在英文手写上接近 90%，中文手写仍显著低于印刷体。古籍 OCR 是跨学科问题（涉及古文字学、文献学），纯模型路线短期内难以突破。
未解 2——表格中的跨页合并与多级表头。跨页表格（同一张表跨两页、合并单元格延续到下一页）、多级表头（行表头 + 列表头 + 斜线表头）、嵌套表格（表格里嵌表格），这三类"复杂表格"在 TSR benchmark 上的 TEDS 仍比普通表格低 10–20 个百分点。生产中需要保留人工校对。
未解 3——公式与正文混排的版面还原。论文 PDF 中"公式编号 + 公式 + 正文接续"是非常常见的版面，纯版面分析模型常常把公式编号当成正文，把公式本身当成图片，结果正文与公式上下文错位。这是一个"版面 + 文本流"联合建模问题，目前没有成熟方案。
未解 4——长文档的全局引用图构建。300 页的论文有上千条引用、几百个图表、几十个公式，它们之间的引用关系是稠密图。当前 chunk 之间的引用关系是"局部推断"（只看相邻 chunk），缺乏"全局引用图"的构建能力。Citation Graph Construction 是文档智能的下一波研究方向。
最后给正在搭建文档智能系统的开发者一个六条选型清单：
文档智能不是"AI 读 PDF"那么简单，它是版面、表格、公式、图像、引用五类异构信号的协同工程。把每一类信号独立做好，再把它们在统一架构下协同起来，RAG 才能从"切碎的文字检索"升级为"真实可信的文档理解"。
Conversation
0 条