扫描 PDF 能上传，不代表 AI 能读懂：先验收文字提取
扫描 PDF 能被上传，只说明系统接受了文件。要让它成为 AI 可引用的知识，还需要验证文字是否被正确识别、段落顺序是否合理、表格中的数字是否对应正确对象。知识问答出现错字或漏答时，先检查提取结果，通常比直接换生成模型更容易定位问题。
同一个 PDF 可能有不同页面类型
有些 PDF 来自文字编辑软件，正文有文本层；有些页面是纸质文件扫描后形成的图像；还有一些文件混合了两者。单纯在第一页选中文字，不能证明后面的附件也可读取。可以挑选正文、扫描附件、横向表格和盖章页分别查看。
文字提取和版面理解也要区分。字符全部存在，仍可能按错误顺序拼接：双栏页面的左栏和右栏交错，页脚插入句子中间，注释放到不相干的段落。把这类文本直接切分，后面的检索难以重建原来的逻辑关系。
用一张核对表检查高影响内容
| 检查对象 | 原件与文本如何对照 |
|---|---|
| 金额、日期、编号 | 检查小数点、负号、零与字母的混淆 |
| 否定和条件词 | 确认“不得”“除外”“仅限”没有漏掉 |
| 跨页句子 | 确认段落没有在页尾被截断 |
| 页眉页脚 | 检查重复装饰文字是否混进正文 |
例如原文写“费用不超过 1,500 元，特殊事项另行确认”，识别结果若漏掉“不”或把金额变成 15,000 元，文本仍然十分流畅。仅看 OCR 字符数量或整体置信度，不能保证这条业务规则可用。高影响字段需要按原件核查。
不要把识别错误改成业务事实
发现错误后，保存原件与原始识别输出，并记录修正位置和依据。内容负责人可以修订供检索使用的文本，但不应凭上下文猜一个缺失金额。无法确认时，标记该段不可作为回答依据，并保留需要重新扫描或向原作者核实的事项。
抽样应覆盖不同扫描质量，而不是只看一页干净样本。倾斜、低对比度、手写补充和压缩后的文件都可能表现不同。若某类输入持续失败，优先调整采集或解析路径，再决定是否纳入知识库；没有必要让所有文件都走同一处理方式。
最后再检查它能否支持问题
文字校对完成后，挑选需要跨句理解的问题。例如询问报销条件时，答案同时需要主规则和例外。检查检索片段是否保留两者，再要求回答指向具体页面。这里的完成标准不是“看见几个关键词”，而是问题所需证据能够被找到且不失真。
Microsoft 的文档布局说明也提醒，不同文件类型的结构与图片提取结果可能不同。把一套解析工具接入企业文档平台后，仍应使用本单位真实样本验收。不能因为某项服务支持 PDF，就推定所有扫描件或表格都已被准确理解。
在企业文档中验证
如果要把本文方法用于企业文档，可预约演示，结合实际资料核对协作、权限与集成方式。
需要在自己的环境中验证时，可先了解私有化部署方案，再确定试用范围与验收要求。