跳到主要内容

第 2.2 章 文档解析与入库：把原始文件变成可检索知识

课程元数据​

项目内容
学习时间45-70 分钟
难度中级工程到交付负责人
适合人群已经能做最小 Agent Demo，希望把项目做成可治理、可上线、可复盘系统的读者。
最终交付物资料台账、解析中间格式和入库质量闸门。
前置条件已完成第 1 卷基础能力，理解模型调用、工具调用、状态、日志和字段契约。

本模块解决什么​

围绕企业客服知识库与工单 Agent（智能体）工作台，讲清 PDF（便携式文档格式）、Word（文字文档）、Excel（电子表格）、Markdown（轻量标记语言）、网页、扫描件和工单历史如何进入可检索知识库。

document-ingestion模块从原始文件推进到入库版本的整体工程工作台
模块总览：本模块沿“原始文件 → 解析清洗 → 中间格式 → 入库版本”展开，先理解业务主线，再进入逐页实现。

模块路线​

小节学习结果
第 2.2.1 节：先圈定哪些文档适合解析入库能写出文档的适用场景、不适用场景、前置条件和进入工程实现的判断标准。
第 2.2.2 节：把解析结果统一成可检索的中间文档格式能按顺序说明中间文档格式的触发、处理、复核、记录和兜底步骤。
第 2.2.3 节：用元数据、指纹和状态追踪文档入库能按顺序说明元数据、指纹和状态的触发、处理、复核、记录和兜底步骤。
第 2.2.4 节：为多格式解析补上质量标记和重试依据能按顺序说明多格式解析与质量标记的触发、处理、复核、记录和兜底步骤。
第 2.2.5 节：组装文档解析与入库的作品集交付件能把文档解析与入库收束成作品集页面、验收证据和面试回答。

学习建议​

先从第 2.2.1 节「先圈定哪些文档适合解析入库」进入，确认本章的起点和边界；后续小节负责补齐结构、契约和验收材料；到第 2.2.5 节「组装文档解析与入库的作品集交付件」时，把前面的字段表、流程图和验收样例收束成可展示材料。

章末实战​

必做任务​

独立完成本章最终交付物：资料台账、解析中间格式和入库质量闸门。

不要只写概念总结。交付件必须能被另一位读者查看、复核，并能指出哪里通过、哪里需要返工。

必交证据​

  • 主交付件：本章要求的表格、流程图、字段契约、演示页面或验收材料。
  • 正常样例：证明主流程能够完成，并展示输入、处理结果和依据。
  • 边界或失败样例：至少覆盖资料不足、权限不足、工具失败、低置信度或高风险动作中的一种。
  • 取舍说明：用 3-5 句话解释为什么采用当前方案，以及没有采用的方案会增加什么成本或风险。
  • 复核记录：写明检查人、检查日期、发现的问题和修正结果。

评分标准​

维度2 分1 分0 分
业务目标输入、使用者和目标结果清楚目标基本清楚但缺一个关键条件只有技术名词，没有业务目标
工程边界明确说明系统做什么、不做什么和人工确认点有边界但缺少权限或责任说明默认模型可以处理所有问题
失败处理有可演示的失败分支、日志和下一步动作只写了失败说明，没有证据没有失败或兜底设计
可验证证据正常、边界/失败样例和主交付件能够互相对应有交付件但样例不完整只有文字总结
表达质量能用 90 秒讲清目标、方案、风险和验收能讲清功能但缺少取舍只能罗列工具名称

总分 10 分，达到 8 分且“工程边界”“失败处理”均不为 0 分才算通过。

自测步骤​

  1. 先遮住正文，只看自己的交付件，确认它能独立说明问题。
  2. 用正常样例走一遍主流程，再用边界或失败样例验证兜底。
  3. 根据评分表自评；低于 8 分时回到对应小节补材料，不继续堆新功能。
  4. 把最终交付件加入作品集目录，并准备一段 90 秒说明。

相关入口​