图文混排知识库：截图里的文字为什么召不回

企业知识库里，大量「关键数字」活在截图、PPT 和扫描表中。只抽 PDF 文本层，会把这些数字丢掉。上线后用户抱怨「明明文件里有」，其实文件里是图。问题在解析，不在聊天语气。

入库流水线应分类型处理：可复制文本、扫描件、表格、幻灯片。每类有检测方法与失败打回。解析失败的文件不得静默成功。

OCR 之后还要保表结构

表格若被拆成无表头碎行，「零点六」脱离单位就没有意义。尽量保留表头与行列关系，或转成键值对。幻灯片按页切片，并保留标题页信息，避免只有半句口号。

对关键数字字段，可要求二次校验：抽检页人工核对。抽检比例写进验收，比「支持 OCR」勾选框有用。

模糊拍照、严重歪斜、密密麻麻印章覆盖的扫描件，先打回重传。强行入库只会制造高置信错读。给业务一个「不合格样例」清单，比让模型硬认更省后续扯皮。

搜不到截图里的字，通常不是模型笨，是入库时根本没把字取出来。

泛友搭建知识库时，会先跑一百份真实文件看解析合格率。合格率不达标，先别排聊天界面。

同一指标若在截图和 Excel 不一致，要定权威源。助手只能引用权威源。权威源不定，解析再准也会答出两套数。

上线后若用户反馈「文件里有却答不出」，工单模板要区分：解析缺失、权限过滤、还是提问方式。三类改法不同，混成「AI 不行」就无法排期。

PPT 一页一义，按页切。白皮书长文按标题切，表格单独成块。混用一种切片参数，会把图表说明切碎。类型识别后选择策略，是解析流水线的一部分，不是事后补丁。

对「关键数字」建立白名单字段，例如利率、阈值、时限。这些字段除向量外，另建键值索引。用户问到阈值时优先走键值，减少截图 OCR 误差。

供应商验收时提交解析前后对照样例，不少于二十份问题文件。没有对照样例，不接受「支持扫描件」的口头承诺。

围绕「图文混排知识库：截图里的文字为什么召不回」，建议先写一页落地清单：目标用户、入口位置、冻结题数量、红线问题、周会指标与负责人。清单进项目章程后，讨论才不会反复回到功能点罗列。最新技术展示类文章尤其要把「不做什么」写进清单，避免范围在实施中膨胀。

内容治理与系统治理分开。页面、制度或案例更新后，题集与检索同步更新；只改提示词，解决不了结构问题。建议建立双周变更窗：窗口内集中更新，窗口外保持稳定，便于对比「图文混排知识库：截图里的文字为什么召不回」相关指标是否真的变好。

试点宁小勿大。先在一个团队证明指标可改善，再复制到下一团队。复制时连同红线、题集和负责人一起复制，而不是只复制界面。若第一队都跑不通，加模型规格很少能拯救「图文混排知识库：截图里的文字为什么召不回」所描述的那类问题。

与供应商沟通时固定题集。题可以难，但必须可重复。用同一批题看版本差异，比每次换新题刷分更能反映真实进度。合同附件里写明题集保管人与及格线，能减少上线后的扯皮。

上线前四周把失败样例当成主要输入。平均分好看但同一类失败重复出现时，优先改文档、入口或权限。把失败样例归类为：内容缺失、权限过严、入口不便、模型越界。四类对应不同负责人，避免所有问题都甩给算法。

对外表述保持可验证。能写成「在某某条件下完成某某检查」的句子，就不要写成「全面赋能」。宣传与验收用语分离后，「图文混排知识库：截图里的文字为什么召不回」才不会在客户处被理解成无限承诺。

安全、法务或合规同事应在方案阶段介入，而不是上线前一天。涉及对外口径或数据驻留时，早期否决比事后补救便宜。介入产出应是一页约束，而不是一本看完即搁置的手册。

为关键资产指定主责与备责。文档、题集、索引、话术都要有第二负责人，避免请假或离职后「图文混排知识库：截图里的文字为什么召不回」相关能力停摆。名单贴在周报抬头，比放在通讯录深处更有效。