RAG 怎么处理 PDF？答“抽文本、切块、灌向量库”的，面试官笑了

面试官真正在考察的，是你面对非结构化数据时，有没有自底向上的工程拆解能力，和从“能跑”到“可靠”的架构意识。

你去面字节二面，面试官问：Agent 做 RAG，遇到 PDF 文件该怎么处理？

你几乎脱口而出——把 PDF 里的文本抽出来，切分一下，灌进向量库，完事。

面试官脸上还挂着微笑，但心里已经把你归进了“只跑过 demo”的那一档。

倒不是说这个思路错。PDF 只有纯文字、排版规整的时候，它确实能跑通。但真实业务里的 PDF，是这个理想世界的反面：目录、页眉页脚、多栏排版、嵌入的表格、流程图、合同条款扫描件，甚至一页里同时塞了文字、图片和手写签名。

你把这样一份文件当纯文本流来处理，最后 RAG 搜出来的，是一堆缺头少尾、数据错乱、混着页眉广告词的碎片。灌进去的是垃圾，吐出来的答案自然没人敢信。

一句话：把 PDF 处理看作一条生产级文档理解流水线——识别类型、还原结构、智能分块、上下文注入。

下面这四关，就是面试官真正想听的。

第一关：识别文件类型——90% 的人倒在这里

处理 PDF 的第一步，不是急着抽文本，而是先认清楚你面前的文件究竟是哪种“物种”。

原生文本 PDF：是用文本指令直接画的，文字就藏在里面，解析器可以精准提取，并保留位置信息。

扫描件 PDF：说白了就是一张张图片的容器，里面一个字符都没有，必须走 OCR 这条路，把像素变成文字。

图文混排 PDF：更麻烦，正文里可能嵌着一张票据照片、一个架构图、一个签章。对图表、流程图这类复杂元素，光抓文字不够，得调用视觉理解能力，让多模态模型直接看图，生成一段描述。

Anthropic 的 Claude PDF 支持就是这个思路——它不去解析 PDF 的结构，而是像人眼一样，直接阅读每一页的视觉呈现，同时理解上面的文字、图表和表格，把图像和文本当成一个整体来认知。

这一步如果用“抽文本 + 单纯 OCR”来拼凑，信息很容易割裂；端到端的视觉理解，反而更能捕捉表格线和数据之间的关联。

第二关：还原文档结构（骨架）

类型识别完，接下来要把文档的骨架立起来。PDF 不只是文字的堆砌，它有标题层级、章节边界、段落关系，有表格和图片的穿插，有脚注和页眉页脚的附属信息。

你需要把这些结构还原成计算机能理解的数据模型：通过文字坐标和字体大小，推断哪里是一级标题、哪里是正文；通过线条和空白区，还原表格的行列；页眉页脚要么被识别剔除，要么被标记为特殊的 metadata 保留下来。

这一步的价值，不是让内容更好看，而是让每一个信息点都带上可追溯的定位信息。处理合同 PDF，你必须知道某个条款出自第几条第几页；分析财报，要清楚“净利润 32 亿”这个数字来自哪张表、对应哪个财年哪个指标。

缺了这层结构，Agent 回答起来可以很自信，但你根本没办法回溯它到底看了哪里——这对风控、合规和法律场景是致命的。

第三关：智能分块与上下文注入（切片与索引）

骨架立起来，就进入整条流水线里最精巧的一环：切片与索引。这里要彻底和固定长度分块说再见，正确的姿势是按语义单元来切：

• 同一标题统领的几个段落，作为一个块；
• 一张完整的表格，单独结构化；
• 一张图片与其下方的说明文字，绑在一起；
• 长表格，转成按行列字段组织的结构化文本。

每个块不能裸奔，必须携带丰富的 metadata：文档 ID、页码、章节标题、表格编号、图片描述、时间戳、版本号——凡能帮助定位和筛选的信息都要带上。

chunk_id: 3-12

doc: 2024年报.pdf

page: 37

section: 第三章 风险因素

table_id: T7

context: 该片段讨论汇率波动对海外营收的影响

但仅仅这样还不够——块离开原始语境，模型可能依然无法准确理解它在全局中的角色。这时候可以借鉴 Anthropic 提出的 Contextual Retrieval 思路：索引每个块的时候，不是只存它自己的文本，而是主动给它补一小段上下文说明，比如“该片段出自第三章 风险因素，具体讨论了汇率波动对海外营收的影响”，或者“以下是一张 2023 年 Q3 各地区营收对比表”。

这段说明会跟 chunk 一起被向量化。检索阶段一旦命中，模型看到的就不再是一节孤立的字块，而是一个带着位置感、背景感的信息单元，有效避免“只见树木不见森林”的检索盲区。

最终，文本部分走向量索引；结构化的表格、日期、编号等，则建立关键词或混合索引，为后续的精确过滤和对比查询打好基础。

第四关：Agent 工具化 + 可追溯引用 + 评测闭环

结构完整、索引就绪，才轮到 Agent 出场。很多人的做法是检索出相关块后，一股脑全塞进 Prompt，指望模型硬扛——这仍然是一种暴力阅读。

更好的设计，是把 PDF 的能力封装成一组清晰的工具，让 Agent 像带着工具包进档案馆的调研员一样工作：

search_pdf(query) # 语义检索相关片段

read_page(page) # 读取指定页面全文

extract_table(table) # 抽取表格，转 CSV / Markdown

analyze_chart(image) # 调用视觉模型看图说话

source(chunk) # 返回带页码和片段的引用

用户只是问一个事实，Agent 调一次 search_pdf 就能搞定；若要对比 2022 年和 2023 年的毛利率变化，Agent 就会规划一个多步流程：先搜索包含毛利率的不同章节，再用 extract_table 把相关年份的报表抽出来，最后综合比较；遇到图表问题，则调用视觉工具直接解析。

这样一来，处理过程是动态的、按需的，而不是每次把整座文档山搬进上下文窗口。

到这还差最后一道保险：生产级系统不能没有可追溯引用和评测闭环。Agent 给出的最终回答里，必须明确标注每个论断来自第几页、第几段，原文片段是什么——Anthropic 的 Citations 机制已经提供了很好的范例，PDF 中可以按提取出的文本标注引用，并返回页码范围。

评测体系同样要跟上，不是只看最终答案对不对，而是把中间每个环节拉出来量化：

只有把这些指标搭起来，你才有能力持续迭代 PDF RAG 系统，而不会让它在生产环境里慢慢腐化。

跳出这道题本身，面试官真正在考察的，是你面对非结构化数据时，有没有自底向上的工程拆解能力，和从“能跑”到“可靠”的架构意识。

做 AI 应用，越靠近数据入口的基础处理，越考验一个人对整个系统脆弱性的理解。你能把 PDF 这道脏活累活拆得明白、讲得通透，就意味着你有底气接住真正落地的项目，而不是只会把问题交给下一个环节。

最后

我们整理出这套 AI 大模型 突围资料包：

    ✅ 从零到一的 AI 学习路径图
    ✅ 大模型调优实战手册（附医疗/金融等大厂真实案例）
    ✅ 百度/阿里专家闭门录播课
    ✅ 大模型当下最新行业报告
    ✅ 真实大厂面试真题
    ✅ 2025 最新岗位需求图谱

所有资料 ⚡️ ，朋友们如果有需要 《 AI大模型 入门+进阶学习资源包》，下方扫码获取~

资料展示

下面是我整理的AI大模型学习资料和工具包预览，适合收藏后按主题逐步学习。

需要这份AI大模型资料清单的话，在评论区回复「清单」即可；我会根据大家的问题继续补充对应的实战内容。