一、事情是这样的

去年 Q4，我们团队接到了一个“看起来很简单”的任务：

把公司 2000+ 份行业研究报告做成一个智能问答系统，业务方说人话就能查到想要的数据。

老板给的预算不低，团队配置也挺豪华。我们用了当时最火的框架，选了性能最强的向量数据库，调了业界口碑最好的大模型API，甚至还专门请了个 Prompt Engineer。

两个月后上线演示，翻车翻得亲妈都不认识。

业务老大问了一个很朴素的问题：“去年 Q3 华东区那个混合储能项目的投资回报率是多少？”

系统沉默了三秒，吐出一段文不对题的废话，里面还杜撰了一个不存在的项目名称。

会议室安静了。然后业务老大说了句让我至今难忘的话：

“我用Excel的Ctrl+F搜PDF，都比你这玩意儿准。”

---

二、问题到底出在哪？

我花了整整一周排查问题。向量检索的召回率看着还行，大模型的参数也没调错，Embedding模型选的是最新的中文优化版本。

最后我发现了真相——数据本身是脏的。

我做了一个实验：随机抽取 10 份 PDF，用肉眼比对原始文件内容和我们存入数据库的文本。

结果触目惊心：

问题类型	占比	具体表现
文字顺序错乱	40%	双栏文档的左右栏被混在一起，变成了一锅粥
表格数据丢失	35%	关键财务数据从表格里消失了，只剩下表头
公式变成乱码	20%	一些技术参数的数字变成了特殊符号
段落归属错误	30%	第二章的内容被错误地拼接到了第四章

换句话说，我们花了几十万的算力、用着最先进的模型，一直在用一堆垃圾做检索和推理。

“垃圾进，垃圾出”——这句在数据领域被说烂了的话，在我们身上应验了。而更讽刺的是，我们明明知道这个道理，却把所有的精力都花在了“出”这一端，从没认真审视过“进”的质量。

---

三、圈内藏着一个心照不宣的谎言

我后来和几个做同类项目的朋友聊了聊，发现这不是我们团队的个例。

几乎所有人都在回避一个残酷的事实：

RAG 系统最大的瓶颈不是模型，不是算力，不是向量数据库——而是那个没人愿意花时间搞好的文档解析环节。

为什么大家不愿意搞？

因为不性感。

你可以去任何一个 AI 技术大会上听演讲，台上的人会跟你讲：

• 怎么用 LangChain 编排复杂的 Agent 链路
• 怎么用 RAPTOR 做递归摘要式检索
• 怎么用 GraphRAG 构建知识图谱
• 怎么用 Agentic RAG 让系统自己决定检索策略

这些话题多酷啊，多前沿啊，写在简历上多好看啊。

但是，没有人愿意上台讲：我是怎么把一个 200MB 的扫描件 PDF 里的表格无损提取出来的。

因为——不够高级。

然而现实是，90% 的企业核心数据都封存在这些“不高级”的 PDF 里。它们排版复杂、包含大量图表和公式、双栏甚至三栏排版比比皆是。

你不解决这个问题，后面所有的“高级玩法”都是在沙子上盖城堡。

---

四、一个险些被我们错过的工具

在换了第三套 PDF 解析方案后，我们找到了 MinerU。

让我印象最深的不是它的技术指标，而是一个场景：

我们有一份 80 多页的行业白皮书，里面包含：

• 7 个跨页的大型数据表格
• 十几处包含希腊字母和上下标的数学公式
• 大量穿插在正文之间的插图说明
• 典型的双栏学术排版

用之前的方案处理，表格数据残缺，公式全部乱码，双栏内容混杂。

MinerU 跑完，除了页眉页脚被自动剥离，其他内容几乎完美还原。

我盯着输出的 Markdown 文件看了三分钟，确认每一行数据都和原文对得上。

那种感觉怎么说呢？就像你找了三年的钥匙，发现它一直挂在你腰带上。

MinerU 到底做对了什么？

后来我认真研究了它的技术方案，总结出三个关键点：

1. 它先“看”版面，再“读”文字

大多数解析工具是一上来就拉取文本流，结果双栏文档左右混在一起。MinerU 先做物理版面分析，识别出标题区、正文区、表格区、图片区，再根据逻辑排版顺序拼接内容。

这个顺序调换，效果天差地别。

2. 它把表格和公式当做“一等公民”

传统的 PDF 解析把表格视作普通文本块，结果行列关系全乱。MinerU 内置了专门的表格识别和公式识别模型，表格输出为结构化 Markdown，公式输出为 LaTeX 代码——这些都是大模型真正能“看懂”的语言。

3. 它保留了文档的“骨架”

MinerU 输出的结构化数据保留了完整的标题层级（H1/H2/H3）、段落边界和列表结构。这使得我们可以基于语义进行切片，而不是暴力按字数切割。

很多技术难题，解决方案往往不是做加法，而是做减法。MinerU 只是做对了一件事：尊重文档原本的结构。

---

五、效果到底怎么样？我说三个真实场景

场景一：跨表格的数据查询

改造前：

问：“表 4-2 里 2023 年新能源装机容量的数据是多少？”

系统答：“抱歉，我无法找到相关信息。”

因为表格数据在解析时丢失了行列关系，大模型根本看不懂那团乱码。

改造后（接入 MinerU）：

问：“2023 年新能源装机容量的数据是多少？”

系统答：“根据表 4-2 的数据，2023 年全国新能源装机容量为 892GW，其中光伏 432GW、风电 460GW。数据来源：《2023 年中国能源发展报告》第 47 页。”

准确，有据可查，有出处引用。

场景二：多文档的交叉验证

改造前：

问：“公司对 AI 研发的投入连续三年是什么趋势？”

系统答：“逐年递增。”（然后给了一个笼统的描述）

因为没有正确的语义切片，系统只能检索到零散的片段，无法形成完整的趋势判断。

改造后（接入 MinerU）：

问：“AI 研发投入的趋势是什么？”

系统答：“根据 2021-2023 年财报数据，公司 AI 研发投入分别为 3.2 亿、4.8 亿和 6.5 亿元，年均增长率约为 42.5%。具体来看：2021 年处于起步阶段，主要投入在基础设施建设；2022 年进入应用落地阶段；2023 年全面转向业务场景赋能。”

有了结构和连续性，AI 才能真正“理解”数据。

场景三：包含公式的技术查询

改造前：

问：“报告中提到的 P/E 估值模型是怎么计算的？”

系统答：“P/E 是……（一段从网上抄来的通用定义）”

因为原始公式被解析成了乱码，大模型只能用训练数据中的通用知识来回答，完全没有利用文档中的专业内容。

改造后（接入 MinerU）：

问：“这套估值模型的具体参数是什么？”

系统答：“报告第 23 页提出了一套改良版 P/E 模型：P/E = (1+g) / (r - g) × (1 + α × β)，其中 g=8.5%、r=11.2%、α=1.3、β 取近三年营收增长率的变异系数。模型额外引入了行业竞争系数 α 和 β…”

有公式、有参数、有上下文——这才叫真正的“基于文档”的问答。

---

六、回过头来看，我们到底错在哪？

我不是来给 MinerU 写软文的。它确实好用，但我想说的是更深层的反思：

我们这些做技术的人，太容易被“新概念”吸引了。

• GraphRAG 一出，全网都在搞知识图谱
• Agent 概念火了，人人都在编排多智能体协作
• RAPTOR 看起来很酷，一窝蜂去建递归摘要树

然后呢？基础数据质量没人管。

这就好比你要做一顿米其林大餐，价格最高、工序最复杂的步骤你全都安排上了，唯独在最基础的“洗菜切菜”环节马虎了。

再好的厨子，也做不出一盘烂菜叶上的佳肴。

在 AI 应用落地的过程中，最值钱的能力不是用最前沿的模型做推理，而是把最基础的脏活、累活干到极致。

---

七、如果让我重新来一次

如果时光倒流到那个项目开始之前，我会做几件和现在完全不同的事：

1. 花 2 天时间做好 PDF 解析评测，而不是上来就选框架
2. 先拿 50 份真实文档跑通全链路，确认数据质量达标，再上量
3. 让 MinerU 成为数据预处理的标准组件，而不是想起来才加
4. 把文档解析质量纳入 RAG 系统的核心监控指标

这些事情一点都不酷，也不值得到处吹嘘。

但它们能保证你的系统真正“能用”。

而在这个 AI 泡沫此起彼伏的行业里，“能用”两个字，已经足够打败 80% 的竞品了。

---

写在最后

那个被业务老大当众嘲讽的下午，是我职业生涯里最尴尬的 30 分钟。

但也是最有价值的 30 分钟。

它让我彻底明白了一个道理：在 AI 时代，你的模型可以不是最强的，但你的数据必须是最干净的。

因为模型是别人的，算力是云上的，而数据——那是你唯一能守住的东西。

别让 PDF 解析，成为你 AI 系统里那根最短的木板。

---

如果你也在构建 RAG 系统，正在被 PDF 解析折磨，欢迎在评论区分享你的“翻车”经历。技术踩坑不可怕，可怕的是踩了同一坑两次。