我要投稿

当RAG遇上PDF表格，如何实现索引内容的精准回答

发布日期：2024-06-19 12:20:54 浏览次数： 2295 来源：玄姐聊AGI

解析和理解非结构化文档尤其是图片格式表格（比如：扫描文件中的表格）时，优化 RAG 方案面临重大挑战。难点涉及：

扫描图像的复杂性，包括多变结构、非文本元素及手写与打印文本的混合，这些都阻碍了准确自动提取表格信息，可能导致结构损坏，影响 RAG 输出的完整性和语义理解。
表格标题的精确抽取及其与对应表格的有效关联，这对于正确理解表格意义至关重要。
开发高效索引结构以储存和检索表格的深层语义信息。

本文首先讲述 RAG 表格处理的核心技术，继而评估现有开源解决方案，并进一步提出及实践一种解决方案策略。

—1—

RAG 的关键技术

第一、Table Parsing（表格解析）

该模块核心职责是从非结构化文档及图像中高精度抽取表格结构，强调表格标题的准确提取及与表格本身的便捷绑定。现有方法概览：

1. 多模态 LLM 应用：运用GPT-4V等工具，识别并提取PDF页面中的表格信息。

2. 专用表格检测模型：比如：Table Transformer，专门用于解析表结构。

3. 开源框架利用：采用 unstructured 等框架进行全面文档解析，提取表格相关内容。

4. 端到端模型解决方案：Nougat、Donut 模型直接解析文档并提取表格信息，无需独立OCR，且便于表格标题的自动识别与关联，因表格标题常为内容精要，对理解表格内容至关重要。

第二、Index Structure

索引表格方法概括：

图像表格索引：专对图片格式表格。
文本/JSON 表格索引：针对纯文本和 JSON 结构表格。
LaTeX 表格索引：专门处理 LaTeX 格式。
表格摘要索引：利用 LLM 或多模态模型生成表摘要。
结构化层级索引：按内容从小到大或依文档摘要，涵盖表格各部分（比如：行）至整体（图像、文本、LaTeX 表）。

同时，可直接向多模态 LLM 提交图片、文本及查询，以获取即时答案。

需留意，并非所有策略依托 RAG：

针对性数据训练，运用 BERT-like 模型，比如：TAPAS，专项处理表格理解。
利用 LLM，经预训练、微调或提示调整，执行表格理解任务，参考GPT4Table 方法。

—2—

现有开源解决方案

LlamaIndex 提供四种方式，前三者运用多模态模型：

1. 图像检索后，由 GPT-4V 回应。

2. PDF 页面转图像，GPT-4V 分析建立索引，通过 Image Reasoning Vector Store 查询。

3. 从图中裁剪表格，GPT-4V 处理作答。

4. 表格图像 OCR转文本，送入 LLM 回答。

Langchain解决方案涵盖：

- 半结构化 RAG：Unstructured 解析 PDF 内容，多向量检索器存储，LCEL 实现问答，非多模态 LLM 参与。

- 半结构化+多模态 RAG 方案多样，例如：

- 选项1：CLIP 等嵌入图像和文本，送多模态 LLM 直接回答。

- 选项2：多模态 LLM 生成图像文本摘要，传统 RAG 链路处理 QA。

- 选项3：生成摘要、embedding，根据之找到原图，多模态 LLM 完成问答。

—3—

建议的解决方案

本文概括、分类并探讨了关键技术与现有方案，据此我们提出一项解决方案，如下图示。为清晰起见，简化说明，未展示RAG模块中的重排序和查询改写环节。

表格解析采用 Nougat，据称其表格检测优于 unstructured，擅长提取标题，便于标题与表格关联。

文档索引策略：小块含表格摘要，大块含 LaTeX 表格及标题，应用 Multi-Vector Retriever 存储方法。

表格内容汇总：表格及标题送入 LLM 生成摘要。

Nougat 源于 Donut，无需 OCR，整体架构请参考 Nougat 相关资料。

Nougat 解析公式表格的能力令人印象深刻，也能对表格标题进行关联（解析出来的表格式 LaTeX 格式），比如下面这个例子：

53AI，企业落地大模型首选服务商

产品：场景落地咨询+大模型应用平台+行业解决方案

承诺：免费场景POC验证，效果验证后签署服务协议。零风险落地应用大模型，已交付160+中大型企业

相关资讯

2025-03-09

大模型与智能体的探索与应用

2025-03-09

深度理解Manus AI Agent

2025-03-09

Claude3.7 的九阳神功:SVG 绘制

2025-03-09

程序员集体失业？Claude 3.7深夜突袭，AI编程的天花板又被捅破了！

2025-03-09

深入浅出理解MCP：从技术原理到实战落地

2025-03-09

前端开发“黑科技”：Cursor + MCP 联动Figma【附实操】

2025-03-08

大模型的未来，是 Agent 还是 App？

2025-03-08

通用Agent未来形态什么样？

了解更多

160+中大型企业正在使用53AI

立即咨询预约演示

把握AI发展的机遇，共同探索、共同进步

2025-01-22

如何打造基于GenAI的员工服务机器人

2025-01-22

热点资讯

本地部署大模型？看这篇就够了，Ollama 部署和实战

2024-08-13

16个具有“联网搜索”功能的AI：总有一个适合你！

2024-06-13

OpenAI o1与GPT4o的对比分析

2024-09-23

Cursor 一个真正让程序员产生危机感的 AI 编程工具

2024-08-21

一文带你了解大模型——智能体（Agent）

2024-05-28

大模型｜“上下文长度”和“上下文窗口”不再傻傻分不清楚！

2024-07-31

50+个AI大模型在不同领域的应用案例

2024-08-04

全面对比dify、coze、streamlit、chainlit

2024-04-26

【深度】AI搜索产品深度分析-搜索原理和商业模式分析

2024-07-09

一文读懂OpenAI新发布o1系列大模型

2024-09-17

大家都在问

大模型的未来，是 Agent 还是 App？

2025-03-08

通用Agent未来形态什么样？

2025-03-08

Manus引爆AI Agent热潮：企业如何在这场科技革命中不掉队？

2025-03-07

一夜刷爆全网的Manus，说是比DeepSeek还牛B？

2025-03-07

DeepSeek-R1后，大模型为何集体‘死磕’思维链？

2025-03-05

CIO 集体焦虑的“AI 信任危机”，DeepSeek 如何突破落地难题？

2025-03-05

大白话说清楚到底什么是DeepSeek MOE架构？

2025-03-05

Cursor 0.46 迎来开挂级更新！MCP 会让 AI 代码全流程自动化？

2025-03-04

热门标签

内容创作大模型技术个人提效 langchain llamaindex 多模态技术 RAG技术智能客服知识图谱模型微调 RAGFlow coze Dify Fastgpt Bisheng Qanything AI+汽车 AI+金融 AI+工业 AI+培训 AI+SaaS 提示词框架提示词技巧 AI+电商 AI面试数字员工 ChatBI 知识管理开源大模型智能营销智能硬件智能化改造 AI+医疗 MaxKB