你需要的数字位于表格中，位于某一行和某一列的交叉点。将PDF压平为文本后，这个交叉点就消失了：标签出现在一个位置，数值出现在另一个位置，模型只能猜测。表格是天真解析悄然丢失答案的地方。本文是《企业文档智能》系列的补充内容，该系列通过四个核心模块构建企业级RAG系统。它将碎片化内容整合为一个连贯的治理，解释表格为何会破坏管道以及应如何应对。刚接触该系列？系列中的每篇文章都位于Towards Data Science作者页面上的Angela Shi和Kezhan Shi的作者页。标准RAG管道读取PDF，将其分割为文本块，对这些块进行嵌入，并检索最匹配的内容。当答案位于表格单元格内时，标准管道开始产生幻觉数字，而且通常在审计师打开源文档之前 никто不会注意到。PDF中的表格在数据意义上不是一个表格，而是页面上绘制的一组矩形，文本定位在单元格中，通常没有显式的行或列标记。解析器必须从空间几何中重建网格。当它未能成功时，三个问题会同时发生：行和列的结构丢失，表头通常只出现在多页表格的第一页，行级引用纪律崩溃。正确的做法不是在文本层面更好地处理表格，而是尽可能早地将它们恢复为原生的结构化形式，并将其视为数据。同一张表格可以在管道中以四种不同的结构层级存在，选择正确的层级是在任何操作执行前的首要设计决策。