复杂 PDF 做 RAG，为什么要先保住版面结构？

解析不是纯粹的文本抽取

复杂合同通常包含跨页表格、扫描内容、标题层级和视觉标记。把页面简单拼接成纯文本，会让字段与值、条款与附注之间的关系消失。

此前在 AscendFlow Law 中负责视觉文档 RAG 方案，使用 PDF-Extract-Kit 处理版面、公式与中文 OCR，再组织结构化 Markdown。这属于历史项目经历，不是当前独立文本 RAG 实现所具备的全部能力。

评估要覆盖还原与检索两端

只看最终回答，很难判断错误来自解析、切分、召回还是生成。完整评估应把解析保真、来源召回、引用准确性和答案质量分开，而不是用一个总分覆盖所有阶段。

当前独立实现提取文本 PDF 的内容并保留来源信息，尚不包含 OCR 或视觉解析。现有材料也不足以提供统一评测指标，因此这里先讨论设计与验证方法。

经验：先定位证据，再生成答案

对于法律与合同场景，可追溯证据比语言流畅度更重要。一个更可靠的产品顺序是先返回原文位置和证据片段，再让模型完成摘要或解释。