对话式AI爆发背后：合合信息TextIn如何用智能文档处理解决"垃圾进，垃圾出"难题？

先抛出一个问题，AI应用落地最多、使用最广泛的场景是什么？还是聊天机器人Chatbot，也是生成式AI最原始的UI方式。搭建Chatbot并不复杂，扣子、Dify、FastGPT、MaxKB等等都可以轻松上手搭建属于自己的Chatbot Agent。智能客服作为企业使用AI的“入门级”应用形式，看起来既简单又普通，模型+Prompt+文档RAG = 智能客服。

1、Chatbot是AI落地普遍形式

Chatbot在不同场景也有不同的名字，比如智能客服、问答机器人，本质上都是Chatbot，也是当前AI应用落地的普遍形式。

年初的时候还有一个梗，企业老板以为用AI就要买DeepSeek一体机，还要进行模型训练、蒸馏，一体机买了之后却不清楚选哪个场景来试点AI，最后的最后落地了一个对话框（提供问答聊天功能）。这个梗是说智能客服Chatbot是最常见的应用，看起来简单实际搭建起来一点也不容易。

做个Demo，几个小时就够了，但是如何提升准确性？如何对接企业文档提供个性化数据？企业数据可不是几百个文档那么简单，文档种类多、格式复杂多样、数据存在冗余/缺失等状况。数据的收集、清洗、增强等处理是非常关键的一个环节，也是耗时耗力的一件事，并且会很大程度上影响智能客服的准确性。但是数据这个环节经常被忽略，企业经常会误以为所有数据Ready、可随时调取并且非常准确。

2、难的不是AI，是杂乱的数据

2.1 2.1 痛点：文档样式繁多

公司拥有大量原始数据，数据没有汇总、清洗，传统方式难以利用、AI时代也难以让数据发挥价值。企业每天生成很多都是Word、PDF、PPT等格式的数据，大模型和Agent处理起来并不容易。

谁家没有一堆难处理的数据呢，首先数据格式就有非常多种类，比如Word、PDF、Excel、PPT，还有各类线上云文档。我们先来看下丰富多彩的各类文档。

数据中的格式也很凌乱。有客户合同等Word文档，给客户讲解的PPT和PDF方案，产品报价等Excel文件，内部团队协作用到的各类云端知识库和方案资料。说实话，我不能要求客户、同事必须给我Markdown格式的数据吧。他们给什么格式，我说了不算。人工看这些资料没问题。做个智能体Demo解析一份文档也没啥问题，但是如果面向企业级AI应用需要解析一堆资料，问题就多了去了。

2.2 方案：通过TextIn来处理

最近在找一些好用的产品，用了合合信息TextIn模块还是非常好用的，推荐给大家。TextIn是合合信息打造的智能文档处理云平台，为用户提供智能图像处理、文字表格识别、文档内容提取产品，它能够处理我们日常工作中遇到的几乎所有文档格式。

TextIn多格式文档解析能力：

• PDF文档：无论是扫描版还是原生PDF，都能准确提取文字、表格、图像等内容
• Office文档：Word、Excel、PPT等办公文档的智能解析和结构化提取
• 图片文档：发票、合同、证件等各类图片文档的OCR识别和信息提取
• 表格数据：复杂表格的结构识别和数据提取，保持原有的逻辑关系

前面也提到了，企业内部数据格式是不规则的，比如下图示例的一份PDF报告，这里的难点在非对称双栏，通过“PDF To Markdown”功能也能够很整齐的提取到对应信息，这背后就是精细化的处理了。

很多论文、报告会出现“非对称双栏”，所以TextIn就针对特定的排版版面分析进行特殊处理。下面图片就是版面分析算法框架和输出示例。首先原生电子档PDF和扫描版本的PDF还是有很多不同的，分别会采用电子档文字提取、通用文字识别来处理，通用的处理模块包括根据物理版面、排版布局、逻辑版面提取信息。再细的处理就是每一个文字检测识别，还有段落、公式、图片、字符、表格、粗体、斜体、下划线、多栏、页眉、页脚、目录、单元格边框等等，细致程度到了每一个字符。

窥一斑而知全豹，我们就知道TextIn对多种类型的文档进行了大量针对性优化提取。

文本段落、表格还原，这些都容易想到的，不过目录层级的确是非常不容易的。

跨页合并，多少数据的痛点，通过TextIn也能够轻松搞定。

3、AI应用中使用数据

3.1 痛点：大模型处理不准确

企业想把AI引入进来帮我搭建一个Chatbot，搭建一个使用了我自己以及团队内部文档的“更懂我们的”Chatbot。也就是让Chatbot能够加载这些知识库中的资料、能够持续更新、在提问的时候能够优先从知识库中查找资料返回。

AI对这些资料格式并不太熟悉，把图片、PPT直接丢给DeepSeek大模型么？（注意哦，这里是个坑，DeepSeek并不是多模态大模型，也就是只支持文字版本。记住这个词哦，“多模态”。）

那也有办法，我们通过一些工具把这些格式的数据转成AI需要的、AI喜欢的Markdown格式数据。没问题，就这么搞！

具体怎么操作呢，Word、PDF、Excel我还能手动Ctrl+A、Ctrl+C、Ctrl+V来操作，但是发票图片、PPT等数据该如何处理呢？又如何保证准确性呢？

3.2 方案：智能数据处理，让数据产生价值

专业的AI数据处理工具已经能够帮助企业快速、准确地提取各种格式文档中的信息。

整体上从以下4个步骤的工作流来加工处理数据：

1. Data: 确认企业内部各种格式、风格的文档数据；
2. Ready: 将散乱的数据汇聚收集
3. For: 提取文档中的文字、表格、公式、柱状图等图表、图像等信息
4. LLM: DeepSeek等大模型、扣子等智能体平台都可以引用已经加工处理好的数据来产生价值。

📁 数据收集 → 🤖 TextIn智能解析 → 📊 知识入库 → 🎯 模型训练 → 🔄 持续更新

大模型和智能体使用AI做聊天机器人的关键步骤就是知识库检索增强RAG，需要对原始数据进行提取和清洗。

转换得到高质量的数据之后可以丢给向量模型做数据索引、转成向量并存储到向量数据库，最终用户输入一个问题时大模型会根据Prompt指令去向量数据库中检索合适信息返回给用户，其实也就是去企业内部的文档知识库中进行检索了，提供企业个性化的数据。

对架构图进行解析

• 上传多个数据，在TextIn中直接进行问答
• 用户不需要关注具体细节，开箱即用，丢资料文档进来、生成的是你需要的数据

RAG的效果，跟数据质量有很大关系。

如何让生成的内容更安全可靠呢，生成新的时候能够显示信息来源，方便人工来检查，这时候还是需要高质量的数据。

3.3 从数据处理到知识管理的完整链路

有了TextIn这样的工具，我们的AI Chatbot搭建流程就变得非常清晰：

1. 数据收集：收集企业内部的各种格式文档
2. 智能解析：通过TextIn批量处理，转换为结构化数据
3. 知识入库：将处理后的数据导入到向量数据库中
4. Chatbot训练：基于这些知识库训练专属的企业AI助手
5. 持续更新：新文档自动处理并更新知识库

重新定义企业数据价值，用户无需过多关注如何处理，AI时代只需要充分使用企业内部数据、充分发挥数据价值。这就是AI时代给我们带来的最大改变：我们不再需要成为数据处理专家，不需要掌握复杂的格式转换技术，不需要担心OCR识别的准确性问题。企业用户和开发者只需要专注于：

• 数据的业务价值：哪些数据对业务最重要？
• 应用场景设计：如何让AI更好地服务于具体业务场景？
• 用户体验优化：如何让Chatbot更懂用户需求？

3.4 方案：使用扣子和工作流来处理数据

很多开发者和企业会使用扣子来搭建聊天机器人，我们同样可以把TextIn的ParseX功能封装为插件来调用。

• 这是一个扣子原始工作流，多个大模型根据用户输入生成信息并输出。

• Coze + TextIn xParse => Pipline，我们再看一个嵌入了ParseX节点的扣子工作流，用户在开始节点通过Input参数上传一张图片，ParseX节点可以对图片信息进行提取，将提取后的数据传递给大模型进一步生成信息并返回。这样我们就可以顺利的在扣子Bot和工作流中引入TextIn功能了。

4、企业级应用：从试点规模化部署

4.1 提供API/SDK方便集成到企业现有业务中

从文档中提取数据、清洗数据并不应该成为孤立的系统功能，而应该集成到企业内部现有业务流中。这时就需要灵活的API和SDK提供集成能力了。

可以在官网中通过API文档、示例代码查看API使用方式，比如“通用文档解析”可以通过下面CURL的方式进行请求/pdf_to_markdown的API进行数据解析，通过--data-binary指定二进制文件、通过--data-raw指定图片等格式文件。

# 示例 1：传输文件
curl --location --request POST 'https://api.textin.com/ai/service/v1/pdf_to_markdown' \
--header 'x-ti-app-id: c81f*************************e9ff' \
--header 'x-ti-secret-code: 550# 示例 2：传输 URL
curl --location --request POST 'https://api.textin.com/ai/service/v1/pdf_to_markdown' \
--header 'x-ti-app-id: c81f*************************e9ff' \
--header 'x-ti-secret-code: 5508***********************1c17' \
--header 'Content-Type: text/plain' \
--data-raw 'https://example.com/example.jpg'

# 示例 2：传输 URL
curl --location --request POST 'https://api.textin.com/ai/service/v1/pdf_to_markdown' \
--header 'x-ti-app-id: c81f*************************e9ff' \
--header 'x-ti-secret-code: 5508***********************1c17' \
--header 'Content-Type: text/plain' \
--data-raw 'https://example.com/example.jpg'

还有“API调试”界面，能够通过界面对API进行调试，HTTP请求的Header部分输入“x-ti-app-id”和“x-ti-secret-code”，相当于输入API请求的公钥和密钥。这里还有一个亮点哦，就是“一键同步URL参数”，我们希望用API调试快速跑通API请求并验证效果，除了必填项其他的一概不想填，那么“一键同步URL参数”功能就很好用，会将工作台前端参数同步过来。

这是一个请求示例，实际上有参考API代码，只需要修改对应的必要参数就可以请求啦。

4.2 准确性保障：可追溯的知识来源

关于准确性问题，TextIn建立了完善的准确性保障体系，当聊天机器人Chatbot回答问题时，它不仅会给出答案，还会通过以下方式保障准确性和严谨性。

• 信息来源标注功能能够明确指出每个答案来自哪个文档的哪个具体部分，确保信息的可追溯性。
• 原文引用展示让用户可以直接查看原始文档内容进行验证，增强答案的可信度。
• 置信度评估系统对每个答案的可信度进行量化评分，帮助用户判断信息的可靠程度。
• 多源验证机制会从多个相关文档中寻找支撑信息，提高答案的准确性。
• 安全检测功能能够自动识别和拦截可能的错误信息，保障系统输出的质量。

4.3 大模型训练微调也需要清洁数据

在AI应用中除了数据检索增强RAG需要用到准确的数据，在大模型训练、微调的时候也需要投喂准确、高质量的数据。大模型训练、微调使用的数据集有特定格式，但是数据源还是企业内部、互联网中清洗过的数据，比如权威报告、国家标准、学术论文、文档公告、使用手册以及其他需要模型具备特定能力和知识的数据。

整体使用流程也很清晰。

1. 提取解析：把各类数据通过TextIn xParse先进行解析，提取转成Markdown、JSON等格式；
2. 数据清洗：对数据去重、过滤模糊不清和冗余信息、补全数据；
3. 数据验证：对数据质量、格式进行验证，如果未通过验证则继续进行修正数据；
4. 关键信息提取：对数据进行入库保存、提取关键信息等操作，以备使用；
5. 使用：在模型训练、微调时采用指定的数据集格式投喂后进行训练或微调。

5

让企业数据真正"活"起来

5.1 发挥数据价值

企业多年积累的文档资料——合同、方案、报表、发票——这些看似杂乱的数据，实际上是企业最宝贵的知识资产。

合合信息 TextIn的价值在于：

TextIn为企业带来的价值是全方位的。首先是降低技术门槛，企业无需配备专业的数据处理人员，普通员工即可轻松处理复杂的文档资料。其次是提升处理效率，通过批量自动化处理，相比传统方式效率提升10倍以上，大大节省人力成本。第三是保证数据质量，95%以上的识别准确率为后续AI应用奠定了坚实基础。最后是加速AI落地，提供从数据处理到智能应用的全链路解决方案，让企业能够快速实现AI转型。

5.2 行动建议

不要再为这些问题困扰：企业不应该再为数据格式复杂多样而烦恼，不应该再忍受手工处理的低效率，也不应该再因为技术门槛而让AI应用落地困难重重。AI时代的企业，应该专注于：真正的AI时代，企业应该把宝贵的时间和精力投入到更有价值的思考中：如何让AI更好地理解和服务于业务需求，如何让数据真正为企业决策提供支撑，如何让企业的知识和经验得到更好的传承和应用。

5.3 写在最后

在AI的帮助下，每一份文档都可能成为企业智慧的源泉，每一个数据都可能释放出意想不到的价值。

现在就开始行动，AI时代，让你的企业数据真正"活"起来！