引言：当PDF成了知识流动的堵点
PDF文档在企业里堆得越来越多，可真正能用上的却少之又少。上海家化去年整理竞品分析报告时发现，378份PDF里有214份含多页财务表和折线图——人工一条条抄录，平均一份要4个多小时，抄错率快到两成。这不是效率问题，是知识卡住了。Gartner的数据也印证了这点：73%的企业核心知识还锁在PDF里，其中近一半含跨页表格、嵌入图表或扫描公式，而市面上多数OCR工具对这类内容的识别准确率连62%都不到。没有靠谱的PDF表格图表解析能力，RAG知识库的检索、问答、报告生成，就真成了空中楼阁。
一、为什么老办法总在关键时候掉链子？
表格跨页就散架：一页一页切，业务逻辑全断了
年报、招标书、SOP手册里的表格动不动就横跨十几页。传统工具不管三七二十一，一页切一块，结果表头只在第一页，后面全是“谁是谁”的谜题。华润数科试过解析一份省医保结算报表，那张“药品费用明细表”铺满17页，12列字段还带合并单元格和条件格式——某开源库只抓出了首页前5列，后面全乱套。唯客中台用的是语义锚点对齐：看字段类型、追视觉坐标、拼上下文，把断裂的表格重新接上。实测下来，94.3%的跨页表格能还原出原貌（按ISO/IEC 19798标准测的）。
- 跨页表格自动拼接，缺的表头也能补上
- 合并单元格、斜线表头、嵌套子表，统统认得清
- 输出直接就是JSON+Excel，打开就能改
图表不是摆设：图里藏着的数字，AI却读不懂
PDF里的折线图、柱状图、流程图，常以矢量图或高清位图形式塞进去，OCR扫个寂寞。卡地亚想从供应商质量报告里挖“月度不良率趋势图”，但图上没文字标签，只有几根线和几个点——光靠图像识别，根本不知道哪根线对应哪个月。唯客的做法是多模态联动：先用CV模型圈出图表位置，再用OCR+回归模型反推坐标轴刻度，最后结合文档标题（比如“Q3交付质量分析”）把时间戳绑上去。结果，图变成了带时间标记的时序数据表，BI看板也跟着自动更新了。
“图表不是装饰，而是浓缩的决策依据。解析不了图表，就等于屏蔽了30%以上的业务信号。”
——华润数科知识工程负责人，2024年内部技术白皮书
扫描件+公式=噩梦：手写批注盖住表格，LaTeX挤进单元格
制造业图纸、临床试验报告这类PDF，经常是扫描件打底，上面再叠LaTeX公式、手写批注。奔驰中国迁移老车型维修手册时就撞上了这堵墙：手写字盖住表格，公式嵌在单元格里，全是“人眼能懂、机器懵圈”的场景。他们试了主流商业工具，含手写批注的扫描PDF表格识别F1值只有51.2%。唯客用了分层解法：底层U-Net切分区（手写/印刷/公式），中层专攻印刷表格结构，顶层用Transformer读懂公式语义，还能吐出可编译的LaTeX源码。在奔驰提供的500页样本里，表格字段还原准确率89.6%，公式转LaTeX可编译率92.1%。
二、技术不是堆料，是层层咬合
从OCR到VLM：不只认字，还要懂图文关系
老OCR靠模板硬套，现在得理解“这张图为什么在这儿”“这个表格和旁边那段话什么关系”。唯客集成的是自研视觉语言模型（VLM），把整页PDF当输入，同时看文字流、表格网格、图表坐标系、颜色深浅。比如解析某ERP导出的销售看板PDF，它不仅能认出“华东区Q3销售额”表格，还能根据柱状图绿色填充（#2E8B57）联想到“达标”，直接输出带语义标记的结构：