PDF 协议抽取：分段、引用与人工复核

你将学到什么

你将学到长文档 RAG 抽取的三段模板：输入（PDF + 目标字段清单）→ 规则（分段策略、禁止臆造、必须带 citation）→ 输出（结构化 JSON + 引用列表）。重点不是一次填满表单，而是让人 30 秒内定位证据段落。还会对比「整篇丢给模型」与「检索 top-k 再回答」的差异：前者省事先幻觉，后者多一步召回但可审计。练习时请用公开样本 PDF 或已脱敏协议，不要上传含个人身份信息的扫描件。合并多批次抽取结果时，同一字段若两次引用不同页码，应标记冲突让人工裁决，而不是自动取较长答案。向量库更新后需记录 chunk 版本号，否则历史结论无法复现。

适合谁

适合处理合规协议、产品白皮书、临床试验方案等长 PDF 的知识工作者与开发者。你已经会用 ChatGPT 贴全文，但被「编造条款」坑过。

不适合谁

不适合需要法律签字效力的自动审核；模型输出只能作辅助阅读，最终结论仍需持证人员确认。 若你团队已有成熟流程，可把本课当对照表查漏补缺，不必推翻现有系统。

跟做步骤

1. 1预处理：提取目录页码、按标题层级切 chunk（建议 800～1200 中文字），每段保留 pageStart/pageEnd 元数据。 字段清单按章节分组，每批不超过 8 个字段，避免模型上下文拥挤。
2. 2检索：针对每个目标字段用关键词 + 向量混合召回 top-k 段，把 chunk 原文附在 prompt 里，要求「无引用则填 null」。 召回结果按页码排序展示，方便人工从 PDF 同页核对。
3. 3生成：输出 `{ field, value, citations: [{ page, quote }] }`，quote 必须是原文短句，不得 paraphrase 成新义务条款。 高风险字段复核后打「已确认」标签，未确认字段不得进入对外报告。
4. 4复核：人工只抽查高风险字段（违约责任、数据出境、付款节点），对照 PDF 原页一键跳转。 合并多批次抽取结果时，同一字段若两次引用不同页码，应标记冲突让人工裁决，而不是自动取较长答案。向量库更新后需记录 chunk 版本号，否则历史结论无法复现。 导出 JSON 同时生成可点击页码的 HTML 预览，供业务方抽查。

常见踩坑

chunk 过大导致引用模糊：模型说「见第 12 章」但一章有 20 页，应把引用粒度控制在 1～3 段原文。扫描版 PDF 未 OCR 时检索为空，模型仍会编造——先检测文本层。字段清单过长时一次问 30 个字段质量下降，应按章节分批抽取并在合并阶段去重。复制模板：仅根据片段回答；无依据填 null；每条附 page 与 quote。 建议维护「字段—页码—复核人」三列表格，抽查通过率低于 80% 时暂停自动抽取，先修 OCR 或分段参数。

本课小结

带走可复制 prompt 骨架：「仅根据下列片段回答；无依据则 null；每条答案附 page+quote」。下一版可加表格抽取，但引用规则不要降级。 下一课可继续本系列实战，把模板保存为团队默认文档。