扫描版 PDF 入库，OCR 错字会让 RAG 变玄学

[小满]

扫描版合同 OCR 后，“不可抗力”识别成“不司抗力”，检索时完全找不到。这个怎么处理？

[阿白]

OCR 质量要进验收指标。别等用户问不出来才发现。

[nora]

可以保留 OCR 置信度。低置信页不要直接进入正式索引，至少标记出来。

[林小北]

合同这种高风险文档，扫描件最好先走人工校对或半自动校对。

[melo]

我们用 PaddleOCR 做中文扫描件，效果可以，但印章、表格、斜拍照片还是麻烦。

[小周]

Tesseract 中文效果够吗？

[melo]

能用，但要看字体和扫描质量。别在论坛里问抽象效果，拿你们文件测。

[小路灯]

OCR 错字不只影响召回，也会影响引用可信度。用户看到错字会直接不信系统。

[小潘同学]

我们加了同义和纠错 query expansion，能救一部分，但救不了关键数字错识别。

[rootless]

数字、金额、日期要单独校验。OCR 把 8 认成 3，embedding 再强也没用。

[小满]

有没有必要把原图也给模型看？

[阿航]

如果你用多模态模型做核验可以，但成本和速度要算。别每次问答都读整页图片。

[nora]

更现实的是入库时做视觉解析，问答时用干净文本和原图引用兜底。

[小满]

明白，先把低置信页隔离，不能直接混进正式库。

[林小北]

对，宁可少答，也别让坏 OCR 污染整个知识库。