逐日AI微信小程序
14 天 RAG:从检索到可信回答
第 1 周 · D3🔒 锁定约 4 小时

文档进来这一关:PDF 与 HTML 解析、表格与扫描件、清洗规则和必须留下的元数据

检索质量的天花板是解析质量,这一天把 PDF、HTML、Markdown 三类来源的解析坑一次讲透,处理表格与扫描件,定下一套清洗规则,并把标题层级、页码、来源地址这些后面要用来做引用和过滤的元数据固定下来。

今日目标 0/3

登录后可以勾选并保存进度。

检索质量的天花板是解析质量,这一天把 PDF、HTML、Markdown 三类来源的解析坑一次讲透,处理表格与扫描件,定下一套清洗规则,并把标题层级、页码、来源地址这些后面要用来做引用和过滤的元数据固定下来。

登录并关联后阅读全文

请先登录网页,并在账户页关联微信小程序账号。关联后每天可免费阅读 1 篇;额外文章需在小程序看广告解锁。

小程序码

微信扫码打开「逐日AI」,进入相同课程和章节,选择看广告解锁,完成后刷新本页。

面试题库

  • 一份 PDF 解析出来的文字顺序是乱的,你会怎么排查和修复?The text extracted from a PDF comes out in the wrong order. How do you diagnose and fix it?
    国内高频海外高频进阶#pdf-parsing#ingestion#data-quality

    🔒 解锁本章后查看答题要点。

  • 文档解析阶段应该保留哪些元数据?少了其中某一项会在哪个环节出问题?Which metadata should a document parsing stage preserve, and which downstream feature breaks if you drop each one?
    国内高频海外高频进阶#metadata#ingestion#access-control

    🔒 解锁本章后查看答题要点。

  • 扫描件走光学字符识别之后错字率不低,这些噪声会怎样影响检索和生成?怎么缓解?OCR output from scanned documents carries a non-trivial error rate. How does that noise propagate into retrieval and generation, and how do you mitigate it?
    国内高频海外高频深入#ocr#data-quality#hybrid-search

    🔒 解锁本章后查看答题要点。

  • 为什么说解析质量决定了检索质量的上限?举一个具体的传导链条。Why is parsing quality the ceiling on retrieval quality? Walk through one concrete chain of propagation.
    国内高频海外高频基础#ingestion#data-quality#failure-analysis

    🔒 解锁本章后查看答题要点。

评论