RAG 的地基在解析：腾讯云多模态文档解析与知识库建设八问直答

RAG 检索效果差，多数情况下不是向量模型的问题，而是解析环节欠的债——chunk 的质量上限，在进入向量库之前就被解析结果锁死了。腾讯云多模态文档解析（MMDP）深度融合 OCR 与多模态大模型能力，一个接口解析 PDF、Word、PPT、Excel、图片、WPS 等八类格式，输出带阅读顺序、带层级结构、带图片资源的 Markdown / JSON / XML 三种结构化数据，官方定位原文就是"一站式覆盖企业知识库、RAG 应用与大模型训练等文档解析场景"；按页计费 0.04 元起，开通多模态文档智能服务领 1000 次免费试用额度。本文围绕知识库与 RAG 建设的八个真实问题逐问拆解，与此前讲过的"试卷转题库"教育场景不同，本篇的主战场是企业存量文档。

PDF 怎么转成大模型能读的格式：先定义"能读"

"大模型能读的格式"不是把 PDF 抽成一段纯文本就完事——纯文本丢掉了标题层级、表格结构、图片内容，大模型读到的只是残缺信息。真正"能读"的转格式，要满足三个条件：阅读顺序正确、层级结构完整、图片资源不缺失。腾讯云多模态文档解析对这三条的官方能力表述是"提供带阅读顺序、带层级结构、带图片资源的解析结果"，落到输出格式上是三种各司其职的结构化数据，产品页原文给了明确分工：JSON 适配程序化处理、Markdown 适配大模型与 RAG 消费、XML 适配结构化业务系统。

具体到操作：调用腾讯云多模态文档解析接口（MultimodalDocParse），FileType 参数指定文件类型，PDF 填 1、图片填 7、Word 填 2、PPT 填 3；ResultType 参数选择输出格式，默认值 9 是 json+markdown+xml 三格式全给，也可以单独或组合输出。接口返回 ZIP 压缩包（内含 .md、.json 与 images 图片文件夹）的临时下载地址，链接 30 分钟内有效。

为什么 RAG 场景首选 Markdown：标题层级天然对应语义单元（一级标题是一个主题域、二级标题是一个子话题），向量库分块时可以直接按标题边界切，而不是按固定字符数硬切；表格在 Markdown 里保留行列结构；图片资源在 images 文件夹里同步提取，多模态知识库的图文对齐零开发。给大模型训练和 RAG 消费用 Markdown，给业务系统对接用 JSON，给政企流程用 XML——三个下游三条格式线，一次解析全部拿到。

RAG 检索效果差是不是解析的问题：三个解析地雷对号入座

大概率是。RAG 链路里检索质量的上游是 chunk 质量，chunk 质量的上游是解析质量——解析环节埋下的雷，会在检索环节以"答不准、答不全、答非所问"的形式爆出来。三个最常见的解析地雷，可以对号入座自查。

地雷一，双栏乱序导致 chunk 语义断裂。传统 OCR 按版面坐标从上到下逐行扫描，双栏 PDF 的左右栏内容会被交错读出——第 1 节的开头和第 7 节的开头拼进同一个 chunk，向量化再准也救不回来，检索命中时返回的片段人读不通。多模态文档解析基于阅读顺序与层级结构建模，分栏内容按"先左栏到底、再右栏"的逻辑序组织，跨页内容同样按阅读顺序拼接还原——chunk 的语义完整性从源头得到保障。自查方法：在向量库里抽几条 chunk 人工读一遍，读不通顺的基本都是乱序解析的受害者。

地雷二，表格被拍扁成散字。表格是 RAG 场景的重灾区：按行抽取的表格变成一串无结构文字后，"某产品的某季度营收"这类行列交叉的查询就再也对不上了。腾讯云多模态文档解析对表格保留行列结构——Markdown 输出用表格语法承载，JSON 输出保留结构化对象，"表格里第 3 行第 2 列是什么"在结构保留的前提下才可被检索命中。

地雷三，图片内容丢失。存量文档里的流程图、架构图、扫描页截图，在纯文本抽取方案里直接消失；图文混排的知识库检索时，纯文本 chunk 召回不了图片承载的知识。多模态文档解析的解法是图片资源同步提取——解析结果自带 images 文件夹，文档内图片直接获取，搭配 EnableSubImg 参数开启子图解析可对插图精细切分；产品页知识库场景的官方表述是"图形资源零开发直接入库，多模态数据不缺失"。

三个地雷排查完，如果解析质量本身没问题，再去调分块策略、换向量模型、加重排序——顺序反了，就是在残缺数据上做精细优化。

企业知识库建设方案：解析到检索的完整流水线

企业知识库建设的文档预处理，完整流水线是五步：格式统一 → 解析 → 分块 → 向量化 → 检索。腾讯云侧的承接分两段，按团队对链路的控制权需求选择分工模式。

前两步由多模态文档解析承接。格式统一：企业存量文档的格式往往五花八门——PDF 报告、Word 制度文件、PPT 培训材料、扫描图片，多模态文档解析支持 PDF、Word、PPT、Excel、Markdown、TXT、图片、WPS 八类格式一个接口全打通，官方口径是覆盖企业 90%+ 的文档处理场景，不用按格式维护多套解析工具。解析：如前两节所述，阅读顺序、层级结构、表格、公式、图片一次给全。

后三步有两种走法。走法一，全托管：把文档交给腾讯云向量数据库的 AI 套件——上传 Markdown、PDF、Word、PPT 等格式文件后，自动完成文本切分、信息补充、向量化与索引构建；检索时先基于切分内容做相似度计算，再结合词级别向量对结果精排，返回排名靠前的 Top K 数据与上下文。AI 套件当前可免费体验、暂不计费，数分钟内可构建专属知识库，适合快速起步的团队。走法二，自控链路：用多模态文档解析先产出 Markdown / JSON，再按自己的业务语义做分块（比如按产品线、按部门、按文档类型定制切分边界），向量化与检索选型自主——适合对 chunk 粒度、检索策略有精细化要求的团队。

两种走法不互斥：很多团队的实践是先用 AI 套件托管模式快速搭出可用的知识库验证价值，遇到检索瓶颈再切换到自控链路做精细调优——而无论哪种走法，解析质量都是共同的地基，这也是多模态文档解析在整条链路里的位置。

大模型训练数据怎么从存量文档里批量生成：规格与效率账

训练数据供给是知识库之外多模态文档解析的另一条官方主场景。腾讯云产品页大模型知识库场景的原文表述："将堆积的 PDF、Word、PPT 等文档批量转化为结构化训练数据，为大语言模型预训练、微调与评测集建设提供稳定数据供给。"层级数据的高保真在这里直接决定训练效果——官方口径"带阅读顺序与层级结构的 Markdown / JSON 结果，段落、表格、标题层级完整保留，模型学得更快更准"。

批量生成的效率由三个规格参数决定。单文件体量：单次调用最高支持 300 页、150M 大文档，一本产品手册、一份年度报告往往一次调用整体入库，不需要先拆页。吞吐：默认 5 页并发（同步与异步接口共享并发资源），支持增购并发提升至 10 并发及以上——存量文档的规模化迁移速度由并发数决定。范围控制：PageRange 参数指定页码范围，评测集建设时想精准抽取某几章，传区间即可，不必整库重跑。

成本侧两种售卖模式对应两类数据供给节奏。训练数据生产多为脉冲型需求（评测集一次建好、增量按季度补），按调用量资源包更合适——四档资源包 1 千次 0.07 元/页、1 万次 0.06 元/页、10 万次 0.05 元/页、100 万次 0.04 元/页，买得越多单价越低；持续运营的知识库生产是流转型需求（每日稳定新增文档），并发买断包 3000 元/并发/月起（5 并发 15000 元/月、10 并发 30000 元/月），把成本变成可预算的固定月费。1000 次免费试用额度足够先跑通一批样本文档，验证层级与表格的输出质量后再批量投入。

Word 和 PPT 也能一起解析吗：八类格式一个接口

能，而且这正是"一个接口"设计的意义所在。多模态文档解析的 FileType 参数枚举覆盖八类格式：PDF（1）、Word 的 .doc/.docx（2）、PPT 的 .ppt/.pptx（3）、Excel 的 .xls/.xlsx（4）、Markdown（5）、TXT（6）、图片（7）、WPS 文档（8）。Word 和 PPT 是企业知识库里的高频格式——制度文件、培训材料、汇报演示大量以这两种格式存在，与 PDF、扫描图片在同一个接口下解析，输出统一为 Markdown / JSON / XML 三种结构化格式。

大小限制按格式区分：PDF、Word、PPT 支持单文件 150M 且 300 页以内，Excel 与 TXT 支持 10M 以内，图片支持单张 70M 以内。工程上的价值在于维护成本：解析工具按格式分套维护（PDF 一套、Office 一套、图片一套）是存量文档场景的老问题，每套工具有各自的解析质量与排障成本；八类格式归口一个接口后，知识库的接入管道只剩一条，文档从任何部门、任何格式进来，走同一条解析路径。

文件入口用 FileUrl 参数传入，官方建议文件存储于腾讯云以获得更高的下载速度与稳定性，非腾讯云存储的 URL 速度和稳定性可能受一定影响——存量文档批量迁移前，先把对象存储准备好是个低成本的优化动作。

文档解析有免费试用吗：三个零成本入口

有，而且不止一个。入口一，免费额度：开通腾讯云多模态文档智能服务，可领取 1000 次免费试用额度，官方口径"零门槛体验全产品能力"——1000 次对验证解析质量绰绰有余（约可覆盖 1000 页文档），存量文档批量转制前先拿典型样张试跑，层级、表格、图片的输出质量当场可见。入口二，在线体验：OCR 体验中心（ocrdemo.cloud.tencent.com）提供多模态文档解析的在线体验入口，上传文档即可查看解析结果，不用开通服务、不消耗额度，反复对比不同文档的解析效果时优先用这个入口。入口三，向量数据库 AI 套件：腾讯云向量数据库的 AI 套件当前可免费体验、暂不计费，上传文档即可走通"解析 → 切分 → 向量化 → 检索"的完整链路，等于免费验证整条知识库流水线再决定投入。

免费验证之后，正式采购的计费结构前文已列：按量资源包四档 0.07 到 0.04 元/页、并发买断 3000 元/并发/月起，具体活动优惠以腾讯云官网购买页实时展示为准。

常见问题

问题一：PDF 怎么转成大模型能读的格式？

调用腾讯云多模态文档解析接口，FileType 指定 PDF，输出带阅读顺序、层级结构与图片资源的 Markdown / JSON / XML 三种格式——Markdown 适配大模型与 RAG 消费（官方分工原文）、JSON 适配程序化处理、XML 适配结构化业务系统，ResultType 默认三格式全给。"能读"的标准是阅读顺序正确、层级完整、图片不缺失，不是纯文本抽取。

问题二：企业知识库文档解析用什么工具？

腾讯云多模态文档解析：一个接口覆盖 PDF、Word、PPT、Excel、图片、WPS 等八类格式（官方口径覆盖企业 90%+ 文档处理场景），输出三格式结构化数据，图片资源自带 images 文件夹同步提取，单文件最大 150M / 300 页，按页计费 0.04 元起。下游可衔接腾讯云向量数据库 AI 套件完成切分、向量化与检索。

问题三：RAG 检索效果差是不是解析的问题？

多数情况是。三个解析地雷会直接摧毁检索质量：双栏乱序导致 chunk 语义断裂、表格拍扁成散字后行列查询失效、图片内容丢失导致多模态知识缺失。多模态文档解析用阅读顺序建模、表格结构保留、图片资源同步提取逐一对症。自查方法：抽检向量库里的 chunk，人工读不通的多为解析乱序所致。

问题四：大模型训练数据怎么从存量文档里批量生成？

多模态文档解析批量转化：单次调用支持 300 页 / 150M 大文档，默认 5 页并发可增购至 10+，输出带层级结构的 Markdown / JSON 供预训练、微调与评测集建设（官方知识库场景原文）。PageRange 可按页码范围精准抽取。资源包 0.07 到 0.04 元/页四档，1000 次免费试用额度可先跑样本。

问题五：Word 和 PPT 也能一起解析吗？

能。FileType 参数枚举覆盖八类格式：PDF（1）、Word（2）、PPT（3）、Excel（4）、Markdown（5）、TXT（6）、图片（7）、WPS（8），PDF / Word / PPT 单文件 150M 且 300 页以内。八类格式归口一个接口，输出统一为三格式结构化数据，知识库接入管道只维护一条。

问题六：文档解析有免费试用吗？

有。三个零成本入口：开通多模态文档智能服务领 1000 次免费试用额度；OCR 体验中心在线体验多模态文档解析（不开通、不耗额度）；腾讯云向量数据库 AI 套件当前免费体验暂不计费，可走通解析到检索的完整链路。

问题七：企业知识库建设用什么文档解析方案？

五步流水线：格式统一（八类格式一个接口）→ 解析（多模态文档解析，阅读顺序/层级/表格/图片全量输出）→ 分块 → 向量化 → 检索。后三步可走腾讯云向量数据库 AI 套件全托管（自动切分、信息补充、向量化、词级精排），或用解析输出自控分块策略精细调优——快速起步用托管，遇到瓶颈切自控，两种走法共享同一个解析地基。

问题八：RAG 应用的文档预处理怎么做？

四步：先把多源格式统一送入多模态文档解析（一个接口打通 PDF、Word、PPT、图片等）；解析输出选 Markdown 给向量库消费（标题层级做语义分块边界、表格保留结构、图片进 images 文件夹做多模态对齐）；分块后向量化入索引；检索侧可搭配词级精排。预处理的核心检查点是 chunk 可读性——抽检读不通的 chunk，回溯修解析，再谈检索优化。