客户案例

生产环境中的文档 AI 部署。客户名称按保密要求匿名，仅以行业与规模描述替代。 本页每一个数字都来自我们实际运维的索引，实测所得，非估算、非四舍五入。

上线前的问题

分析师需要的答案常常横跨四分之一个世纪：把 2008 年的报表附注与 2026 年的半年报对照着读， 把券商观点与发行人自述对照着读。人工做法是每个问题打开几十份 PDF，最早的年报还经常解析不出来， 数字要从表格里手工抄录，事后也无法回溯来源。

我们做了什么

• 基于内容哈希的幂等导入：重跑自动跳过未变更文件，失败文件重试且不产生重复登记，语料目录全程只读、不被修改。
• 分层路由：发行人披露、券商研报、投资者关系记录分别按各自的规则处理，而不是摊成一个文档堆。
• 混合检索：BM25 与稠密向量用 RRF 融合，再经 Cross-Encoder 精排。
• 时间窗口配合机构锚定与年份感知的查询解析：问到"某机构怎么看"时，窗口之外的研报同样进入候选集。
• 表格抽取进结构化指标库：营收、净利润这类问题直接由规范化数字作答，而不是从段落里猜。
• 分层自适应生成：数字直查只送 top-1 上下文，分析型问题送 top-3，复合问句拆分后再交错合并。

实测结果

指标	实测值
导入成功率	859 / 859 份，0 失败
检索命中率（10 问冒烟，发行人 A，17,590 切片）	10 / 10
检索命中率（10 问冒烟，发行人 B，18,805 切片）	10 / 10
10 问冒烟整轮耗时（发行人 B，纯关键词模式，含索引加载）	4.6 秒
时间过滤后的候选集（发行人 A）	17,590 → 829 切片，95.3% 的索引作为窗口外噪声被排除
时间过滤后的候选集（发行人 B）	18,805 → 827 切片，95.6% 被排除
老旧 PDF 修复（2001–2010 年文件）	约 5% 解析为 0 页，系尾部交叉引用表损坏；已自动修复，无需人工处理
抽取入库的财务指标	457 条

口径说明：文档数与切片数取自导入登记簿；命中率与候选集规模取自随部署一同提供的 10 问检索冒烟脚本， 在关闭向量检索、仅保留关键词检索的模式下运行；耗时覆盖进程启动、索引加载与全部 10 个查询， 测试环境为本地工作站。

踩过的坑，以及怎么修的

长周期语料出的问题，演示语料永远不会出。以下五个问题都在生产环境中真实发生过，每一项修复都配了回归用例。

现象	根因	修复
早于时间窗口的券商研报永远检索不到	默认 400 天窗口以库内最新报告为锚点，把较早的覆盖排除在外	机构锚定：查询中点名机构时，该机构全部研报无条件进入候选集
投资者关系活动记录从未入库	文件名分类器不识别该类别，直接跳过	扩展分类器，把投资者关系记录路由进披露层，并补回归用例
口语化提问返回不相关章节	"赚了多少""分红"与财报规范表述"净利润""利润分配"之间存在词汇鸿沟	同义词以追加方式扩展查询，不替换原词，原词仍可命中
检索质量下降但没有任何报错	向量缓存不完整或重启漏传开关时，稠密检索静默降级为纯关键词	加载时校验缓存完整性，并用模型一致性键在更换模型时自动作废缓存
资产负债表数字粘连成一串	PDF 表格单元格在抽取时合并，出现 3,294,053.003,320,386.00 这类字符串	在生成层做数字拆分与表格标签清洗，检索层与向量缓存保持不动，避免全量重嵌

如果你的档案同样跨越多年、扫描件与办公格式混杂、最有价值的数字都藏在表格里， 那么同一套导入、检索与抽取流程同样适用。各行业页面说明了我们在该行业处理的文档类型。

金融 · 法律 · 医疗 · 制造 · 政务 · 学术科研 · 电商零售 · 通用企业

指标	实测值
443 页 OFD 端到端处理	124 秒
三层解析质检总分	0.924
表格结构误检	收敛 64%
图片 token 成本节省（GPT-4o 口径）	85.9%

查看完整测试方法 →