解析與清洗：PDF、表格、掃描檔轉成文字時，哪些東西會悄悄壞掉
文件轉成文字時，壞掉的地方通常不會報錯：多欄的段落接錯順序、表格的合併儲存格被攤平、頁首頁尾混進內文、掃描檔的錯字、圖片和刪除線消失。OCR 的準確率高也不代表 RAG 答得好：一項研究裡，帶刪除線和顏色標記的文件 OCR 分數 82.9%，問答卻只答對 52.8%。比起換工具，怎麼切塊影響更大：同一份轉換結果，改成依標題階層切塊並附上標題路徑，表格題從 66.6% 升到 99.8%。所以解析完一定要抽檢，對照原檔看這幾種壞法。
文件轉成文字時，壞掉的地方通常不會報錯：多欄的段落接錯順序、表格的合併儲存格被攤平、頁首頁尾混進內文、掃描檔的錯字、圖片和刪除線消失。OCR 的準確率高也不代表 RAG 答得好：一項研究裡，帶刪除線和顏色標記的文件 OCR 分數 82.9%，問答卻只答對 52.8%。比起換工具，怎麼切塊影響更大：同一份轉換結果，改成依標題階層切塊並附上標題路徑，表格題從 66.6% 升到 99.8%。所以解析完一定要抽檢，對照原檔看這幾種壞法。