88.人工智能实战：RAG 图片与扫描 PDF 怎么处理？从 OCR 乱码到版面解析、图片证据与多模态索引

人工智能实战：RAG 图片与扫描 PDF 怎么处理？从 OCR 乱码到版面解析、图片证据与多模态索引

一、问题场景：文本 PDF 能答，扫描件和图片文档全错

企业知识库里有大量非结构化资料：

1. 扫描 PDF 2. 图片版合同 3. 截图 4. 手册图片 5. 带图表的报告 6. 盖章文件

普通 RAG 管道通常假设：

文件 → 提取文本 → 切分 → 向量化

但扫描 PDF 没有可提取文本，只能 OCR。

OCR 又经常出现：

1. 识别错字 2. 表格错乱 3. 页眉页脚污染 4. 多栏顺序错乱 5. 图片中的关键信息丢失 6. 印章和签名无法理解

我见过一个合同问答系统。

用户问：

这份合同的付款期限是多少？

系统回答错了。

排查发现：

付款期限在扫描 PDF 的图片中 OCR 把“30日内”识别成“3O日内”

本文解决的问题是：