察元AI超级智能体桌面单机版的 文档 RAG 是用户用得最多的功能之一。一份 PDF 拖进对话窗口，几秒后回答出来还带引用气泡。这条链路看似简单，背后是一整套解析、切分、嵌入、入库的工序。这一篇全景式过一遍。

第一步：文件上传。用户拖文件到对话窗口或在 KB 详情页选文件。chayuan-desktop 把文件保存到 CHAYUAN_ROOT/uploads/KB名/ 目录下，文件名加时间戳前缀避免冲突。

第二步：文件类型识别。chayuan-desktop 用 magic（libmagic）识别真实 MIME 类型，不只看文件扩展名。这避免改名伪装的文件踩坑。识别出来的类型决定调哪个 parser。

第三步：选择 parser。PDF 走 PyMuPDF 加可选 RapidOCR。Word 走 python-docx。Excel 走 openpyxl。PPT 走 python-pptx。Markdown 走 markdown 库。HTML 走 beautifulsoup。txt 走原生读取。每个 parser 是 chayuan-desktop knowledge_source/document 模块下的独立文件。

第四步：文本抽取。每种 parser 把文件转成 Document 列表，每个 Document 含 文本片段 + 元数据（文件名、页码、段落、坐标）。这一步是文档 RAG 最关键，决定后续 chunk 质量。

PDF 抽取的双轨。PyMuPDF 先尝试提取文本层。如果文本层质量好（识别率 > 阈值）走文本层。如果文本层缺失或残缺（扫描件 PDF），走 RapidOCR 兜底，把每页渲染成图调 OCR。

Word 抽取。python-docx 把 docx 解析成段落。批注和修订作为独立 Document 携带，metadata 标记 来源 = 批注。

Excel 抽取。openpyxl 把每个 sheet 的每行转成一个 Document。如果数据列多，可能改走结构化 KB（src:*）路径。

PPT 抽取。python-pptx 把每个 slide 的每个 text frame 转成 Document。图片不直接抽，但记录位置。

Markdown HTML 抽取。markdown 渲染成结构化树，按 heading 分段。HTML 用 beautifulsoup 提取 main content（去掉导航栏、footer 噪声）。

第五步：切分（chunking）。Document 列表过 chunker 模块，按 chunk_size（默认 512 token）和 chunk_overlap（默认 50 token）切。chayuan-desktop 不只用滑动窗口，还有语义切分（按段落边界、句子边界）。

第六步：清洗。每个 chunk 过去 noise（去掉重复空白、统一全角半角、规范化 unicode）。OCR 结果还要做拼写纠错（轻量规则，不强）。

第七步：嵌入。每个 chunk 调嵌入模型（默认 bge-m3-onnx）生成 1024 维向量。批处理优化（batch size 32）让 CPU 上吞吐量好。

第八步：入库。chunk 文本 + 向量 + metadata 写到 sqlite-vec 文件。事务确保一致性，要么整批成功要么回滚。

第九步：标记完成。chayuan-desktop 在 KB 详情页更新统计：新增 X chunk，KB 总 chunk 数，最后同步时间。前端立即可见。

第十步：失败处理。任意一步失败时记录到诊断日志（CHAYUAN_ROOT/logs/parser.log），前端展示 X 个文件未成功入库 提示，点开看具体错误。

整个链路在 SSD 上一份普通 50 页 PDF 大约 30 秒到 1 分钟（含嵌入计算）。机械盘上慢一些。OCR 兜底的扫描件 PDF 慢得多。

国产化支持下的解析。WPS 生成的 docx、xlsx 格式偶尔跟 Microsoft Office 有差异。chayuan-desktop 用的 python-docx 和 openpyxl 对 WPS 兼容性不错，覆盖大多数实际场景。某些极端格式需要先在 WPS 里 另存为 docx 标准格式。

WPS AI 插件 chayuan-wps 在 WPS 文字里可以直接把当前文档作为 RAG 资料。加载项把文档内容发给 sidecar，走同一条解析链路入临时 KB。

文档 RAG 全栈链路是 chayuan-desktop 文档库的工程基础。免费开源的AI软件 在文档处理这一面的覆盖深度，决定它能不能 真的代替云端服务。chayuan-desktop 在 Office 全格式 + OCR + 多语种 上的覆盖让它在国产化办公场景里站得住。

本地离线知识库的文档解析链路 PDF Word Excel PPT MD HTML 全栈

人工智能

后端

开发工具

察元AI超级智能体桌面单机版的文档RAG功能，支持PDF、Word、Excel等多种格式。通过精准解析、智能切分、向量嵌入等步骤，快速将文档内容转化为可检索的知识库。特别优化了对WPS格式的兼容性和OCR扫描件处理，在国产化办公场景下表现优异，助力用户高效实现本地化文档智能问答。

智能体

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

本地离线知识库的文档解析链路 PDF Word Excel PPT MD HTML 全栈

本地离线知识库的文档解析链路 PDF Word Excel PPT MD HTML 全栈

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐