首页
学习
活动
专区
圈层
工具
发布
社区首页 >专栏 >一份 30 页的 PDF 怎么喂给 AI 才不浪费积分:先把「目录 + 页码」做出来

一份 30 页的 PDF 怎么喂给 AI 才不浪费积分:先把「目录 + 页码」做出来

原创
作者头像
用户12877835
发布于 2026-11-16 09:51:11
发布于 2026-11-16 09:51:11
40
举报

把一份长 PDF 直接拖进对话,看起来是最省事的做法,实际上是最贵的那种省事。我这周拿一份 30 页的设备运维手册完整试了一遍:全量抽成纯文本是 29297 字,而回答一个具体问题实际只需要 2482 字,占比 8.5%。省下来的不是钱,是"上下文还能装多少别的东西"。

下面整套流程在本地可复现,命令、脚本、每一步的真实输出都贴出来,数据都是跑出来的,不是估的。

一、先算清楚"全量投喂"到底有多贵

很多人对长文档的成本没有量感,先量化一次。把 PDF 抽成纯文本,看它到底多大:

这 29297 字意味着什么:

  • 它会被每一轮对话重复带上,不是只算一次。问三个追问,成本大致乘三。
  • PDF 里的图片、矢量图在抽取时还要额外解析,扫描件更夸张,要先走 OCR。
  • 这里面与当前问题真正相关的,通常不到一成。剩下九成是纯粹的噪声——而噪声不只是花钱,还会稀释模型的注意力。

所以问题不是"能不能喂进去",而是"为什么要把 90% 无关内容也喂进去"。

二、第一步不是抽正文,而是拿结构

拿到一个陌生长文档,先要目录,不要正文。这一步用结构抽取,比直接抽文本更有用,因为它带页码:

看到 p7 是第 2 章、p17 是第 4 章,你对"该翻哪里"就有判断了。这份手册最后拿到 55 个可定位标题,覆盖 30 个排版区块。

这里有个容易被忽略的点:页码是从结构信息里读出来的,不依赖文档本身印不印页码。很多内部手册、导出的报告正文根本没有页脚,这一步照样能定位——因为每一段文字在 PDF 里都带着自己的坐标和所属页。

生成目录的脚本只有十几行,读结构 JSON,把标题层级和页码打出来:

代码语言:python
复制
#!/usr/bin/env python3
import json, sys

data = json.load(open(sys.argv[1] if len(sys.argv) > 1 else "struct.json"))
for sec in data.get("sections", []):
    for b in sec.get("blocks", []):
        if b.get("role") != "heading":
            continue
        lvl = b.get("heading_level", 9)
        if lvl > 3:
            continue
        page = b.get("source", {}).get("page")
        page = (page + 1) if isinstance(page, int) else "?"
        print(f"p{page:<3} {'    ' if lvl == 2 else '        ' if lvl == 3 else ''}{b.get('text','').strip()}")
代码语言:zsh
复制
workbuddy-pdf manual.pdf struct.json -f structure -q
python3 outline.py struct.json | head -20

三、切页 + 建页码索引:一次 1.2 秒

有了页码,还需要一个能把"关键词"变成"页码"的索引。做法很土但很有效:把整本切成单页,再逐页抽成 txt,页码就是文件名。

30 页切分加逐页抽取,总耗时 1.2 秒;索引总量 29210 字,比全量少了 87 字,差值是跨页重复的行。这点差异无关紧要,重要的是索引建好之后,定位就变成一条命令:

代码语言:zsh
复制
#!/bin/zsh
set -e
PDF="${1:-manual.pdf}"
OUT="pages"

[[ -d $OUT ]] || mkdir -p $OUT
workbuddy-pdf "$PDF" "$OUT" -f split -q
for f in $OUT/page-*.pdf; do
  workbuddy-pdf "$f" "${f%.pdf}.txt" -f txt -q
done

echo "切页完成:$(ls $OUT/*.pdf | wc -l | tr -d ' ') 页"
echo "索引总量:$(cat $OUT/*.txt | wc -m | tr -d ' ') 字"
代码语言:zsh
复制
grep -l '通信中断' pages/*.txt     # -> pages/page-0017.txt

到这里,你已经可以用 grep 把任何问题映射到具体页码,成本是几秒钟。

四、定点投喂:命中页 ±1 页

只喂命中的那一页有个坑:章节标题常常出现在上一页末尾,处置步骤又经常跨到下一页。所以取命中页前后各一页,是最省事又不容易漏的粒度。

命中 p17,就投 p16–p18:

2482 字 / 29297 字 = 8.5%。同样的模型、同样的回答质量,输入小了一个数量级。而且这是每次提问都能省,不是省一次。

五、提示词要跟着一起"变小"

输入变小了,提示词反而要更严。因为范围一小,模型更容易"用常识补空白",而这正是答案失真的来源。我固定用这三条:

代码语言:plaintext
复制
下面是一份手册第 16-18 页的抽取文本(共 2482 字)。

问题:通信中断的排查顺序是什么?

规则:
1. 只依据给定文本回答,不补充文本之外的知识;
2. 每个结论后用 p16 / p17 / p18 标注来源页;
3. 文本未覆盖的部分,直接写「未覆盖」,不要推测。

这三条规则的价值在于自带校验:

  • 回答里出现两处以上「未覆盖」,说明取的页太窄了,回第三步把命中页扩一圈;
  • 回答里引用了不存在的页码,说明它在编,把第 1 条再收紧;
  • 回答很长但信息密度低,说明你给的页太多,它可以随便挑。

这套闭环比"再问一遍让它别瞎猜"有用得多。

六、表格和扫描件:两条不同的路

表格别混在正文里。 正文抽取时表格会被压成一行行文字,列关系就丢了。单独抽成 CSV,文件名自带页码,可以按需只取命中页的表:

18 张表一次导出,page_002_table_001.csv 这种命名让"第几页的哪张表"一目了然。要统计某个字段的分布,直接对 CSV 用 awk / pandas,比让模型从正文里捞数字可靠得多。

扫描件要认命。 没有文字层的 PDF,抽取会走 OCR,慢且容易错。这时候正确的做法是:只把命中页渲染成图片(-f png --dpi 200),别整本渲染。整本渲染 30 页再逐张识别,成本高一个量级,识别质量还更差。

只导出图片,不渲染整页。 要正文里的图,用 --image-dir 把图片单独写出来并保留在原位标记;这跟整页渲染是两件事,别混用。

七、什么情况下"全量"才是对的

前面说的都是省,但全量有时候是必须的,别把自己省进坑里:

你的问题

正确做法

原因

这本书/这份报告讲了什么

全量(或先目录再分章读)

总结没有预设焦点,定点会漏掉主干

某个参数怎么调

定点,命中页 ±1

答案往往就在两三页里

两个章节的规定有没有冲突

两次定点,各取命中页

跨章节对比也不需要整本

要建长期知识库/索引

一次全量,落成文件

这是一次性投资,之后都查索引

要提取全文档的表格

全量 + 单独抽表

表格分布不可预测,漏一张就错

一句话判断:问"讲了什么"就全量,问"具体怎么弄"就定点。 前者花的是理解成本,后者花的是检索成本,两者不该混。

八、复现清单

按顺序跑,六步:

  1. 抽结构:-f structure,用 outline.py 打出「章节 → 页码」。
  2. 量基线:-f txt 全量抽一次,记下字数。这是你的成本基线,也是后面对比的锚点。
  3. 建索引:page-index.sh,切页 + 逐页 txt,页码即文件名。
  4. 召回定位:grep -l '关键词' pages/*.txt,命中页前后各扩一页。
  5. 定点投喂:只贴命中片段 + 三条规则提示词(只依据文本 / 标页码 / 允许说未覆盖)。
  6. 按反馈调范围:数「未覆盖」出现次数。多了扩页,答案啰嗦了就减页。

最后留一个成本公式,随手估算用:

代码语言:plaintext
复制
单次成本 ∝ 投喂字数
一轮对话成本 ≈ 投喂字数 × 轮数
省下的比例 = 1 - 命中页字数 / 全文字数

这份手册是 1 − 2482 / 29297 ≈ 91.5%。换成长一点的报告,这个比例只会更大——因为无关章节的增长速度,永远快过你真正要问的那几页。

把长 PDF 当数据库查,而不是当书读。目录是索引,页码是主键,grep 是查询条件。剩下的,交给模型做它真正擅长的那部分。

原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。

如有侵权,请联系 cloudcommunity@tencent.com 删除。

目录
  • 一、先算清楚"全量投喂"到底有多贵
  • 二、第一步不是抽正文,而是拿结构
  • 三、切页 + 建页码索引:一次 1.2 秒
  • 四、定点投喂:命中页 ±1 页
  • 五、提示词要跟着一起"变小"
  • 六、表格和扫描件:两条不同的路
  • 七、什么情况下"全量"才是对的
  • 八、复现清单
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档