PDF解析，还能做得更好

随着大模型在文档智能领域的应用逐步走向成熟，文档解析类产品的重要性日益凸显。文档解析工具，说白了，就是把PDF里那些“睡大觉”的知识给叫醒——让机器能读懂、能处理。这样一来，可供利用的数据就不再局限于简单的txt、csv格式，而是扩展到了海量的电子档、扫描档文件。为数据清洗、大模型训练、RAG系统开发，都提供了更优质的“燃料”，这个价值，大家心里都有数。

文档解析这条赛道，近期越来越热闹了。大量企业和开发者涌入，给AI应用者们提供了更多选择。我们之前也在文章里聊过，面对这么多选项，到底该怎么挑。但作为开发者之一，我们还是想说一句：PDF解析，其实还能做得更好——给用户提供更可靠、更优质的服务，这才是该有的追求。

今天，换个视角，从开发者的角度，跟大家聊聊目前解析产品里还能再抠一抠、再优化一优化的地方。当然，也欢迎大家来评论区聊聊真实的使用感受，拍砖也好、指正也罢，都欢迎。毕竟，在跟大模型应用接轨的文档解析领域，开发人员和用户，是并肩作战的开拓者。你们说的每一条，对我们都至关重要。

用过Markdown Tester的朋友可能已经注意到了，现在市面上几款主流的解析产品，包括GPT-4o在内，都谈不上是“六边形战士”。其中，比较薄弱的一环，就是

。

公式识别：绕不开的硬骨头

准确的公式识别，在很多场景下都相当重要。比如处理技术类论文、专业书籍时，那些复杂的公式，是绕不开的重难点。做教育应用的话，面对大量教科书、教辅、试卷，情况也一样。在OCR和文档解析工具普及之前，公式全靠手动输入和校对，要搭进去不少人力。而且，公式本身的大小、版式千变万化，也给机器识别带来了不小的挑战。

举个例子吧——

尽管公式里的大部分信息能被正确识别，但在指数方面，解析工具反馈的结果还是有点误差。这也就是为什么很多做教育应用的用户，拿到结果后还得手动调整一下。对复杂公式的训练提升，是我们接下来重点优化的方向之一。

表格识别：长期命题，挑战无穷

在财经、学术、企业知识库这些RAG场景下，比公式出镜率更高的，就是表格了。我们之前也专门聊过表格识别的测评指标。表格这东西，形式太灵活了，可以说是五花八门。比如说，无线表、合并单元格、不规则行距、跨段、跨页……每个都让人头疼。所以表格识别的加强，对文档解析类产品来说，是一个长期命题。

另外，还有一个大家提得不算特别多，但我们团队一直在关注的问题——

。在RAG系统开发中，面对长文档切片的场景，业内已经形成了共识：如果文档有清晰准确的标题及层级，那就没必要再用按长度切片的“老办法”了。完全可以利用子标题、段落来做基于语义理解的分片。这么做，能明显提升系统后续的检索召回能力，以及问答任务的整体表现。

但问题在于，不同类型的长文档，标题格式千差万别，有些标题在语义上也比较模糊。要准确、稳定地把一级、二级、三级以及更细的子标题都识别出来，难度确实不小。以我们团队处理的实际案例来看，对年报、财报、研报这类格式相对固定的文件，标题层级识别和目录树建构的效果已经不错了。但碰到格式一致性更弱的文档类型，表现就还需要打磨。

对解析产品来说，要把各层级标题如实还原出来，是件挺难的事，但对下游工作的帮助是真的大。所以，文档目录树的识别，是我们团队一直盯着的重点方向之一。欢迎对这方面精度要求高的用户，随时来跟我们探讨应用场景，或者试用一下最新版的解析效果。

API体验：槽点不少，优化在路上

最后，说个我们被用户吐槽过好几次的点——文档解析产品的

，专业性要求太高了！尤其是JSON结构里那些detail参数。举个例子，要读取某个元素的位置，结果拿到的是一串这样的数据：

这数组的理解方式嘛，是在象限内以左下坐标为起点，按顺时针转一圈。但说实话，跟“直观简单”这四个字，差了不是一星半点。

接下来，我们会以用户体验为中心，持续对输出做优化。争取让这种坐标数组的“槽点”，不再成为用户的烦恼。思路已经有了，大家且看后续迭代。