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 →