为什么？
因为 PDF 是排版格式，不是数据格式。简单的文本 PDF，抽文本当然可以。可一旦碰到扫描件、表格、图表，纯文本抽取就完蛋了。
哈喽大家好，我是二哥呀。今天继续用 3 分钟，拆一道 Agent 高频面试题。
面试官问这道题，表面在问方案，实际考三件事：
第一，为什么 PDF 对 RAG 是个难题；第二，解析、分块、检索三个环节你有没有针对 PDF 做过专门优化；第三，碰到性能瓶颈你怎么权衡。
接下来给你满分回答，照着背就完事了。四招。
第一招，版面感知解析。拿到 PDF 先判断类型。有文本层的电子 PDF，用 PyMuPDF、pdfplumber 拿文字和坐标；扫描件、复杂表格，上 OCR 或多模态模型，把标题、正文、表格、图片区域分别识别出来。
第二招，表格和图片单独处理。简单表格用抽取工具保留行列；扫描表格、跨页表格，用 OCR 或多模态模型转成 Markdown Table 或 JSON，页码、坐标、源文件 ID 一起存。图片同理，提标题、提主题，必要时保留原图供二次精读。
第三招，动态分块。不要按 500 字符一刀切。PDF 要按标题层级、段落、表格来分。普通段落在句子边界切；表格单独成 Chunk；图片说明单独成 Chunk。相邻 Chunk 保留 overlap，命中小 Chunk 后能回溯父块补上下文。
第四招，上下文锚点。每个 Chunk 的元数据里存页码、章节标题、相邻 Chunk ID、源文件 ID。普通 RAG 按规则扩展相邻 Chunk 就行；Agent 场景更进一步——把【读上一页】【查原始表格】封装成 Tool，让 LLM 自己判断证据够不够，不够就补读。
面试官如果追问：加了视觉模型和 OCR，延迟怎么办？
告诉他——入库阶段把解析结果缓存起来，同版本文档再次问答直接复用。查询阶段先走混合检索加重排，只有命中表格或图片、证据不足时，才触发多模态模型精读原页。
最后一句口诀——先看是不是纯文本PDF，如果是就直接提取；否则上 OCR 或者多模态模型。
这道题你学废了吗？想解锁更多 Agent 面试题的源码级拆解，点赞关注，我是二哥，下期见！
