PDF 转 RAG 数据与 JSONL 切块
PDFLLM 通过可读 Markdown 和带来源元数据的分节 JSONL 切块，为检索增强生成（RAG）准备 PDF。每个切块都保留页码引用与坐标证据，不会变成匿名文本。当聊天机器人或 Agent 检索到某个事实时，结果更容易审计、去重和回到原文核验；原始 PDF 默认仍留在浏览器中。
产品信息更新于 2026 年 9 月 2 日什么样的 PDF 数据才适合 RAG？
语义边界
切块尽量跟随恢复后的标题和章节，而不是只按字符数截断，从而保留更多局部语义。
引用元数据
页码、锚点和来源坐标随切块导出，让检索结果能够重新连接到原始证据。
质量门槛
文档级和内容块级风险帮助你判断文件可以进入索引，还是仍需人工复核。
PDF 到 RAG 的流程是什么？
提取可信内容
文本层可靠时使用原生文本；页面是扫描件或字符映射损坏时，改用本地 OCR。
恢复文档结构
在切块前重建标题、段落、表格和阅读顺序，让检索单元尽量符合文档原意。
带来源导出
下载 JSONL 切块、Markdown 与元数据，再导入你选择的向量数据库或检索管线。
原始 PDF 文本与可溯源 RAG 数据
RAG 的质量从生成向量之前就开始了。如果提取过程丢失阅读顺序、表格或来源，检索系统可能根据损坏文本生成流畅但错误的回答。
| 管线层级 | 原始提取 | PDFLLM 文档包 |
|---|---|---|
| 切块边界 | 固定长度 | 理解章节的内容块 |
| 来源追踪 | 只有文件名 | 页码锚点与坐标 |
| OCR 风险 | 不可见 | 置信度与风险提示 |
| 复核流程 | 需要另建 | 内置原文对照 |
PDF 转 RAG 常见问题
PDFLLM 会生成向量吗？
不会。它生成可携带的 Markdown、JSONL 切块和来源元数据，你可以把它们交给自己选择的嵌入模型与向量数据库。
为什么 RAG 元数据要保留坐标？
坐标能让应用把检索到的切块重新定位到原始页面的具体区域，从而支持事实核验和面向用户的来源引用。
输出可以脱离 PDFLLM 使用吗？
可以。导出文件可直接用于代码、知识库、Obsidian 和自定义 AI 管线，不依赖 PDFLLM 运行时。