没有表头的行等于没有意义——检索到也没法用。
表格与图表是"最难检索"的内容
文本检索已经成熟，但企业资料里大量关键信息在表格、图表、扫描件里 ✔ ——
这些内容如果处理不好，检索就会"看得到标题、拿不到数据" ✗。
三种非文本内容的处理策略 ✔：
一、表格：不要压成一行
错误做法 ✗：解析器把表格按行拼成文本 ✔（"名称 数值 单位 名称 数值 单位…"），
行列关系丢失 ✔，检索到也没法用 ✔。
正确做法 ✔：
1. 保留结构（转成 Markdown 表格或结构化记录 ✔）；
2. 每行可独立检索（把"行"作为一个块 ✔，并带上表头 ✔ ——
没有表头的行等于没有意义 ✔）；
3. 表名与单位也要带上 ✔（"金额（万元）"必须跟着数值 ✔）。
切块建议：小表整表一块 ✔；大表按行分组（例如 10 行一块 ✔），每块重复表头 ✔。
二、图表：先转成"数据 + 描述"
图表（折线、柱状、饼图 ✔）直接嵌入检索没有意义 ✗。两种做法：
1. 提取数据点（若原文件是结构化格式如 xlsx/pptx ✔）→ 存成"系列 + 数值 + 单位" ✔；
2. 生成图注描述（若是图片 ✔）→ 写清"横轴是什么、纵轴是什么、主要趋势" ✔，
并标注这是模型生成描述、可能有误 ✔（与本站"如实标注"同一原则 ✔）。
要点：图表检索的正确形态是"数值 + 文字描述"并存 ✔，
回答时优先引用数值 ✔，描述只作辅助 ✔。
三、扫描件/图片：OCR 之后仍要结构化
· OCR 文本要保留版面线索（页码、栏目、表格边界 ✔）；
· OCR 结果必须标注来源与页码 ✔（便于人工核对 ✔）；
· OCR 错误率要抽样评估 ✔（数字识别错误在财务资料里代价极高 ✔）——
对关键数字，建议双重识别或人工抽检 ✔。
四、怎么验证非文本检索
· 准备 20 个"必须看表格才能回答"的问题 ✔；
· 检查：正确单元格是否进了候选 ✔、回答里的数字是否与原文逐字一致 ✔；
· 单独统计数字错误率 ✔（这是非文本检索最该盯的指标 ✔）。
一条判据
> 抽 10 个"表格类"问题 ✔，回答里的数字能否逐字对回原表 ✔？
> 对不回，说明表格还没有被正确结构化 ✗。
本文由云枢 AI导航整理，内容以官方来源为准。
相关文章
顺序阅读
← 上一篇：多语言产品的术语一致性：别让同一个词有三种译法
下一篇：AI 功能的首次成功体验：新手五分钟能做成什么 →
第 94 / 171 篇