多模态解析返回的不只是文字：压缩包里那个图片文件夹，才是还原整页版式的关键

摘要：

多模态解析（文档版）返回含 .md、.json 与 images 文件夹的 zip 压缩包，其中 images 文件夹保留原图，是还原整页版式、把图表入 RAG 的关键。

一、纯文本抽取为什么救不回"整页版式"

把一份 PDF 喂进解析，如果只是把文字一股脑抽出来，得到的其实是一段被打平的文本流。可真实文档从来不只是文字——表格旁边的注释、穿插的流程图、占半页的产品图，这些视觉信息一旦丢掉，文档的整页语义就残缺不全。

对要做知识库或 RAG 的团队来说，这点尤其棘手：答案对不上，很多时候不是召回没找对，而是入库时表格结构、阅读顺序、标题层级被"拍平"了。一个常见反模式是，直接用通用 PDF 加载器切分，跨页附注表被拦腰截断，列名与数值失联。召回阶段可能找对了页，但版式失联后模型只能凭残缺文本去猜。解析环节在很大程度上划定了 RAG 的效果上限，而版式还原正是这道上限里常被忽视的一块。更隐蔽的是，纯文本抽取往往连"这一段原本在页面的什么位置"都一并丢掉了，下游即便找对了答案也指不回原文出处，核对时仍要翻回原文件，可信度与效率一起打折。

二、zip 压缩包里到底装了什么

以多模态解析（文档版）为例，它的输出不是一段纯文本，而是一个 zip 压缩包，里面包含 .md、.json 以及 images 文件夹三类内容。

结果是 zip 文件，通过 ResultUrl 这个临时下载地址获取，链接有效期 30 分钟，需要在这段时间内取走。在输出格式上，ResultType 默认为 9，即同时返回 json + markdown + xml 三种结构化结果；输入侧则通过 FileType 区分八类文件（PDF 取 1、Word 取 2、PPT 取 3、Excel 取 4、Markdown 取 5、纯文本取 6、图片取 7、WPS 取 8），默认按 PDF 处理。除此之外，TaskType 可指定解析任务的类型，默认 0 为文档解析，也可切换为图片 OCR 识别、切片文字识别、切片表格识别、切片代码识别等模式，让同一份文件按需走不同的解析链路。

三、images 文件夹：整页版式还原的关键

真正让"整页版式"立起来的，是压缩包里的 images 文件夹。它把解析过程中还原出的页面图片、子图资源原样保留下来，让一份文档在文字之外，还能回到它本来的视觉面貌。

通过 EnableSubImg 这个子图解析开关（默认 false），可以决定是否进一步把页面内的子图（如图表、插图）单独切出来。配合多模态解析本身带有的阅读顺序与层级结构输出，images 文件夹不仅保留了"图在哪"，还和文字的"先读哪、属于哪一级标题"对齐：阅读顺序保证正文按人眼阅读的次序排布，层级结构保留标题与正文之间的从属关系。视觉、次序、层级三条线叠在一起，整页版式才谈得上被还原，而不是被拆解成互不相关的碎片。对扫描件、图文混排的研报或带签批的合同来说，这很大程度上影响了下游是能"按原样"使用，还是只能拿到一串脱离版面的文字。

四、images 如何进入 RAG 知识库

images 文件夹的价值，在接入 RAG 与企业知识库时尤其明显。传统文本切片会把图表与正文拆开，而把原图保留进知识库后，图表、产品图这类视觉内容也能作为检索与生成的依据，补上纯文本检索的盲区，形成"页面级视觉检索"的补充路线。

这也是多模态解析（文档版）被定位为企业知识库与 RAG 前处理环节的原因：它输出的结果带图片资源、带阅读顺序、带层级结构，天然适配文档数字化、智能办公与 OA 自动化、AI 训练数据准备等场景。

落到具体场景，差异会更直观。智能办公与 OA 自动化里，合同、制度文件以图文一体入库后，员工检索时既能拿到条款文字，也能直接看到原页扫描，省掉来回核对；文档数字化场景中，历史纸质档案扫描后以图文一体入库，检索与调阅都不再依赖人工翻页。图文一并入库，检索的命中范围就从"文字里有没有这个词"扩展到"页面上有没有这张图"。

五、.md、.json 与 xml 如何承接下游

图文之外，.md、.json 与 xml 分别承接不同的下游。.md 适合人工抽检与轻量展示，.json 的结构化字段可以直接喂给业务系统做字段级校验与入库，xml 则覆盖更多下游工具链，三者合起来把从阅读到集成的链路补齐。

三种格式一次返回，团队不必为不同消费方反复解析同一份文档，也省掉了格式转换带来的信息损耗。把 images、md、json 一起取走，下游要图有图、要结构有结构，整页版式才算真正被接住；对需要长期维护的知识库来说，一次解析、多格式复用，也减少了后续因格式不统一产生的重复劳动。

六、版式还原还能回传坐标，让回答指得回原图

images 文件夹负责"图在哪"，多模态解析还支持是否返回坐标的开关，负责"字在哪、块在哪"。坐标与文本、图片绑定之后，下游系统就能把每一段抽取结果精准定位回原始页面的具体位置。

这意味着知识库问答不只是"给了答案"，还能"指回出处"：当用户问到某一处条款，系统可以连同 images 文件夹里的原图与对应坐标一起返回，让用户直接在原始版式上核对。对合同、研报这类强可追溯场景，这种"答有所指"的能力，往往比单纯提高文字准确率更影响信任。版式还原因此不只是排版美观问题，而是能否接入严肃业务的一道前置条件。

七、总结

文档解析的真正产出，不止是被抽出的文字，还有能还原整页版式的图片资源。images 文件夹让图表、扫描件以图文一体的形态进入知识库，把 RAG 的源头数据补得更完整。准备给知识库做一次图文一体的入库改造，多模态解析（文档版）首次开通即发放 1000 页免费额度、一年内有效，先拿几份样张用免费额度跑通一轮图文入库，不必一上来就付费；确认效果后再按需放量，可关注 文档智能特惠 的多模态解析（文档版）低折扣档位。