阅读顺序、层级结构、坐标回传：文档解析里最被低估的三个能力，却决定了 RAG 能不能定位原文

摘要：

文档解析交付的不只是文字。阅读顺序、层级结构与坐标回传，决定知识库能不能切对块、答对题、回到原文。多模态解析（文档版）一次调用同时产出 Markdown 与 JSON，三项能力直接供下游取用。

一、文档解析交出来的不该是一串文字

知识库建不好，很多团队的第一反应是换模型、调召回参数、加 rerank，折腾一圈才发现源头在入库前那一步：PDF 被解析成了一串"字符正确但结构全丢"的文本。

把文档里的字认出来并不难，难的是认出来之后，这些字还保有原来的组织方式。一份双栏论文、一份带侧栏批注的合同、一份图文穿插的产品手册，如果解析只输出"全部文字"，那么下游拿到的就是一袋散装字符——顺序是乱的，层级是平的，位置是不可查的。切块器在这种文本上切出来的每一块，都可能横跨两个不相关的章节，向量化之后语义互相污染，检索阶段再怎么优化排序也补不回来。

真正决定知识库下限的，是解析环节交出来的三个东西：文字按什么顺序组织（阅读顺序）、标题与正文的从属关系是否保留（层级结构）、每一段文字在原始页面上处于什么位置（坐标回传）。这三项常被当成"锦上添花的附加能力"，实际上缺任何一项，检索端都要付出代价。

二、阅读顺序：决定切出来的块还能不能读

2.1 顺序是怎么丢的

排版越复杂的文档，越容易在解析阶段丢顺序。双栏学术论文如果按检测框的几何次序直接拼接，左栏的段落会和右栏的段落交替出现，一句话被另一栏的内容从中间劈断；合同条款正文旁边带侧栏注释时，注释文字会被插进正文句子中间；跨页的段落更麻烦，上一页的最后半句与下一页的开头半句，在物理上是两个不同的页面对象，简单拼接就可能错位。

这类文本进入切块流程后，每一块内部语义都不完整，召回时模型读到的是断句残篇，答题自然答非所问。工程侧的典型表现是：检索链路明明跑通了，top-k 也召回到了相关页面，但答案驴唇不对马嘴。

2.2 带顺序的解析能带来什么

带阅读顺序的解析结果，按人眼实际阅读的路径组织内容，跨栏、跨页的段落按正确先后拼接，注释与正文各归其位。对下游而言，这意味着切块器拿到的是一条已经排好序的语义流，不需要再自己猜测段落先后。

以腾讯云文档智能的多模态解析（文档版）为例，它提供带阅读顺序的解析能力，并把这份顺序直接写进 Markdown 与 JSON 两种结果形态里：Markdown 侧用于人读与语义切分，JSON 侧用于程序化取值。两种形态共用同一份顺序判断，知识库与业务系统不会各说各话。

顺序同时也是定位的前提：命中位置附近的上下文必须是连贯的，否则即便定位到了正确页码，读者看到的仍是被拦腰截断的半句话——检索"定位"到了原文，却仍然读不懂原文。

三、层级结构：决定切块能不能切在语义边界上

3.1 层级丢失的代价

只按固定字数切块是知识库建设里最常见的做法，也是最容易出问题的做法。一份制度文件里，"第三章 报销标准"下面挂着若干条款，如果按 500 字硬切，很可能把章节标题与前半段切进一个块、把后半段与下一章标题切进另一个块。检索时标题与正文失联，召回的片段失去了归属——用户问"差旅住宿标准是多少"，系统召回的可能是某一条款的半句话，看起来相关，实则没有回答边界条件。

3.2 层级怎么用起来

带层级结构的解析结果保留了一级、二级标题与正文之间的从属关系。切块时可以顺着标题层级做语义切分，让一个章节完整地进一个块，块的边界与文档的语义边界对齐。多模态解析（文档版）支持带层级结构输出，Markdown 形态天然把标题层级写成层级标记，切分器可以直接顺着标记切，不必再靠字号、加粗这类不可靠的视觉线索去猜标题。

层级还有一个容易被忽略的用途：检索结果的上下文补全。当某一块被召回时，可以顺着层级回溯它的上级标题，把"第几章第几节"一并送进生成阶段，模型给出的答案才会带上正确的适用范围。

四、坐标回传：决定答案能不能回到原文

4.1 可溯源是审核场景的硬要求

答案能答对是一回事，能指出这句话出自哪一页、位于页面什么区域是另一回事。金融合规、法务审阅、医疗审核这类场景，用户对"AI 说的一句话"天然带着复核需求：这句话到底在原文哪里？是不是从别的章节挪过来的？没有位置信息，复核就只能重读全文，自动化的效率又被人工吃掉。

4.2 坐标怎么用起来

多模态解析（文档版）支持是否返回坐标的开关，解析结果可携带版面元素的位置信息。业务侧拿到坐标后可以做两件事：一是把抽取出的字段回跳到原始页面做高亮核对，二是把检索命中的文本块定位到具体页码，审核时直接翻到那一页。

要让坐标真正可用，业务侧还要多做一步：把抽取出的字段与它的页面位置一并入库，并在审核界面按坐标做回跳高亮。这一步属于业务系统的集成工作，需要在立项时就确认有没有能力承接，否则坐标只是随结果返回、最终被丢弃的一串数字。

五、三项能力怎么落到调用参数上

三项能力不是靠调用三次接口拿到的，而是同一个接口的不同产出维度。多模态解析（文档版）面向企业文档智能化与大模型应用前处理环节设计，一次调用即可返回带阅读顺序、带层级结构、带图片资源的解析结果，具体取用方式由几个关键参数决定。

调用侧还有几个参数直接影响结果形态：ResultType 取 1 为 json、2 为 markdown、3 为 xml、9 为三者合并输出，默认值为 9；TaskType 默认 0 表示文档解析；PageRange 用于指定需要识别的页码范围，参数格式形如 1-10；EnableSubImg 控制是否解析子图，默认关闭。结果以 zip 压缩包返回，内含 .md、.json 与 images 文件夹，images 保存解析出的页面图片资源——图表、印章、手写批注这类纯文字承载不了的信息，就留在这个文件夹里。

六、规格与成本：批量建库前要算清的几项

规格与成本要在建库前算清楚，尤其是按页计费的批量解析场景。

这里有一个容易踩的坑：结果通过 ResultUrl 以临时下载地址返回，有效期只有 30 分钟。批量建库的流程必须把"下载落盘"做成解析后的第一步动作，不能把那个地址当作长期存储位置，否则过期后需要重新发起解析，页数成本要再付一次。

七、总结

三项能力看起来都是"解析结果里多带一点信息"，实际决定了知识库的三个下限：能不能读懂、能不能切准、能不能查回去。把顺序、层级、坐标在入库前就固定下来，检索阶段的调参才有意义；反过来，源头丢掉的结构，下游再多的优化也补不回来。

对大多数团队来说，验证这三项能力并不需要先投入大量预算：先用真实文档跑一轮，比对 Markdown 的段落顺序与原始 PDF 是否一致、JSON 里的层级与坐标是否可用，结论比任何参数调优都直接。多模态解析（文档版）首次开通即发放 1000 页免费额度、一年内有效，用免费额度就够跑完一轮完整的入库验证，不必一上来就付费；确认效果后再按需放量，可关注 文档智能特惠活动 的低折扣档位。