PDF、表格和图片入 RAG 前，怎样验收抽取质量？

RAG 索引里即使能搜到原件的每个字，也可能丢掉真正的意思。OCR 把警示框放到另一道操作下面；表格抽取给出数字 2，却丢了列标题和单位；图片的标签都可搜索，箭头关系却没有进入资料。先拿原件验收抽取结果，再切块和建索引。

本页从某一版资料已经通过来源准入开始，只检查一次解析是否保住了预定问题需要的内容。后续的切块试验应固定已核对的抽取文本来比较边界；检索评测检查索引后的段落；引用核验检查生成后的结论。后面任何一个环节的高分，都无法恢复解析时丢失的事实。

先在原件上标出关键区域

固定一版受控原件，记下来源 ID、校验值或版本、文件格式，以及解析器或 OCR 路线的版本与设置。从原件挑会改变决策的区域，不按解析器碰巧返回的内容选样。按真实资料分布覆盖：可选中文字和扫描 PDF、旋转页或双栏、带合并表头与单位的表格、脚注与图题、需要看图示关系才能回答的问题。也要有一处缺少可用文字的区域，避免空白输出悄悄通过。

由懂业务的复核者在原件上写出回答必须保留的事实及关系：数值和单位、“不得”对应哪一步、某个单元格归属的行列标题，或一条箭头连接哪些部件。位置应回到原件：PDF 或图片写页码与区域，电子表格写工作表和单元格范围。原件与解析器原始结果保存在受控位置；下方浏览器工作表只写合成编号与受控位置代号。

看结果前先定阻断规则。装饰文字里的轻微错字可后修；错误数值、漏掉“不得”、表头错配、图示关系丢失，或无法回到原件的定位，会阻断该区域作为正式回答依据。调整解析器之后，再用几份没参与调试的文件复核，避免只修好了已经看过的样例。

对照原件检查五件事

关卡	要核对的原件信息	阻断情形
关键文字	数值、正负号、单位、日期、名称、否定词和选择标记。	一个错字或漏字会改变实际决定。
阅读顺序	标题、分栏、警示框、图题，以及它们修饰的步骤或图。	字都对，却归到错误章节或动作。
表格关系	行列标题、合并表头、跨格、单位、表名与相关注释。	数值无法对应正确对象、条件或单位。
图示关系	箭头、图例、标号，以及解释图的文字。	只抽出标签，漏掉问题所问的连接关系。
原件定位	原始页码与区域，或工作表与单元格范围，以及来源版本。	复核者找不回支持结论的原始位置。

检查准备进入索引的那一份表示，不能只看漂亮的预览页；另把结构化原始返回留作诊断。Azure OCR Skill 可返回纯 text，也可返回带文字位置的 layoutText。坐标让复核者知道字来自哪里，但不证明它们归属的段落正确。对于受支持的输入，Azure Document Intelligence Layout v4.0 会给出页、段落及表格单元的位置，包括行列编号与跨格；其 XLSX 文字抽取不提供表格分析。Amazon Textract 需走指定 TABLES 功能的表格分析路线，才会用 Block 及其关系表达单元格、合并格、标题和表尾。这些都是对照线索，不能取代原件本身。

还要核对所选服务的实际限制。Azure Blob 索引器能从支持的文件中抽取文字与元数据；图片若要有更多搜索用途，需要额外的 AI enrichment。文件大小、可抽取字符数和容错设置意味着“索引任务成功”并不是内容正确的证明。OCR 置信度再高，也不能证明警示语属于正确步骤，或某个表头真的对应那个数字。

不支持的元素要标为缺口

一个解析器不必覆盖所有格式。Azure Document Intelligence Layout v4.0 可以抽取 Office 文本，但不支持其中的嵌入图片；其 XLSX 输入不提供表格分析。这只是该路线的限制，不能推论所有电子表格解析器都丢表格。该版文档还说明，图形和表格的边界区域不包含对应图题与脚注；这些文字仍可能出现在整体输出的其他位置，需另行核对入库表示是否把它们关联到正确的图或表。Markdown 模式中的表格会以 HTML 表格表示，以保留合并格和多级表头。因此，方便阅读的文本仍要回原件核对单元格关系。

必需区域若不受支持或验收失败，就不能让它进入候选回答资料。电子表格可改用能保留工作表、单元格和合并范围的原生读取路线；扫描页可换 OCR 或版面分析；图示可由人工复核后写结构化描述，并链接原图。新路线输出仍须拿同一处原件区域重测。不能看见几个图片标签就猜箭头，也不能让自动图像描述给自己打勾；增加 chunk 重叠更补不回丢失的表头。

关键区域通过后，固定抽取结果与解析配置，再交给切块对照。若只有部分区域通过，要记录允许回答的问题范围，拦住依赖失败区域的问题。换解析器、换文件版式或新增图片时，应重新验收抽取，不能直接宣布新片段已就绪。

案例一：扫描手册的警示框错位

在虚构的演练中，HelioDrive D9 维护手册第 6 页是扫描双栏。左栏的警示框写着：移除检查盖前，先隔离断路器 Q4。右栏则开始另一项更换操作。普通 OCR 文本流虽然含有“Q4”“检查盖”和完整警示句，却把它放到右栏标题之后。关键词可以搜出全部字，后续回答仍可能把安全条件接到错误操作上。

复核者在原件中圈出警示框、左栏章节标题和移盖步骤。验收行逐项检查文字、顺序与章节归属，并要求定位能打开同一页区域。只要警示仍被接到更换步骤，就判失败，不看 OCR 置信度或最后回答是否碰巧说对。修复版面解析，或补一份经复核的结构化表示，把警示绑定到移盖操作；随后重跑同一区域和一页未参与调试的双栏样本。

案例二：表格失去表头，图示失去箭头

另一项虚构的演练使用 Frostline R7 冷链工作簿的 Routes 工作表。合并标题区分冷藏与常温路线；标题下分别有最高温度（°C）和最长停留时间（小时）两列。Bay C 的冷藏路线最长可停留两小时。工作簿还嵌着一张示意图，用箭头和图例说明哪只阀门通往旁路。预定问题分别问 Bay C 冷藏路线的最长时间，以及旁路阀门是哪只。

扁平文本导出只留下 Bay C、2 和几个温度，没保住合并表头及单位。把嵌入示意图单独导出后，另一条图片 OCR 路线找到了阀门标号，却没有表示箭头。两道题都缺完整的抽取证据。表格应拿原始工作表、行、合并标题、单位和单元格坐标，与真正能保留这些关系的路线对照；图示需有与嵌入图片相连、经过复核的描述，否则排除后一题。Azure Layout v4.0 能抽取 XLSX 文字，不能因此声称完成了 XLSX 表格分析或理解了嵌入图。

决定抽取结果能否入库

工作表对每个抽样区域记录原件位置、所需事实与关系、解析路线、输出位置、发现的差异、严重性、负责人，以及通过／修复重测／排除。被阻断区域旁还要有一条仍可使用的正向对照，防止过度排除整份文件被误当成修复。发布负责人只有在预先定义的阻断区域全部通过，或明确移除依赖这些区域的问题类别后，才能接受抽取结果。保留回到原件和原始输出的受控位置代号，让另一位复核者重现比较。

不适用边界

这是一项“原件是否被正确表示”的检查，不判断原件是否权威、是否有权入库、是否最新，也不决定某个用户能否阅读。来源准入负责挑资料；权限与更新检查处理服务链路。抽取验收也不证明检索排序、生成忠实度或引用支持，这些要在解析结果通过后分别测试。