表格、公式、扫描件这类复杂文档，怎么喂给大模型

先这样答

核心思路是先解析、再喂模型，不要把原始文件原样塞进上下文。电子版 PDF 有文本层可以直接抽取；扫描件没有文本层，要把页面渲染成图片，用多模态模型直读。两条来源最后统一整理成带结构的中间表示，比如 Markdown 正文加 LaTeX 公式，再按语义切块送进后续流程。

复杂文档的难点集中在三处。版面恢复：多栏排版要先确定阅读顺序，否则内容会拼接错乱。表格还原：模型要从二维网格恢复行列关系，合并单元格和跨页表格容易出错，产出后必须抽查核对。公式：让模型输出 LaTeX 源码而不是裁图，后续才能检索和复用。图片和图表单独提取出来，各配一句文字说明。

收尾一句话：解析质量决定上限，一份干净的结构化文本，比十倍的原始页数更有用。

面试官会怎么追问

• 「为什么不直接抽 PDF 文本层？」 扫描件没有文本层可抽；电子版抽出来的也只是字符流，版面信息丢了，多栏和表格的阅读顺序会乱。所以解析这一步省不掉，区别只是用工具还是用视觉模型。
• 「表格还原怎么验证对不对？」 让模型同时给出表格的行列结构描述，和内容互相印证；关键表格用第二遍独立读数核对，不一致的行标记出来人工看。逐格全检成本太高，抽检加核对是现实的折中。
• 「解析结果怎么接 RAG？」 按语义切块，每块带上标题路径和页码这类定位信息，检索命中的片段才带得上文。表格和正文分开存放，各自用合适的切块粒度，不要混在一起切。

回答的坑

• 整份 PDF 直接塞上下文。又贵又容易丢中段信息，先解析成结构化文本再按需取，是标准做法。
• 忽略阅读顺序。多栏文档按错顺序读，内容会拼接错乱而且错误很隐蔽，抽查时专挑多栏页和跨页表格看。