产品手册做成AI知识库：技术文档问答

PDF 手册为什么解析不好？

因为 PDF 是「打印格式」不是「内容格式」。它只记录每个字画在纸上的哪个位置，不记录哪一行是标题、哪一块是表格。解析器要把位置信息还原成结构，这一步出错，后面全错。

常见的四类破坏：

• 双栏排版。解析器按行读，会把左栏末尾和右栏开头接成一句，语义全乱。
• 跨页表格。一张参数表分在两页，第二页没有表头，解析出来是一堆没有列名的数字。
• 页眉页脚与页码。每页都混进来，切分后每段都带一句「XX 产品手册 第 12 页」。
• 扫描件与图片型 PDF。里面没有文字层，必须先 OCR。老手册、盖章版、外来资料多为这一类。

所以一个手册项目里，文档工程通常占一半以上工时。跳过这一步直接喂给模型，答出来的参数大概率是错的。

扫描件和老手册怎么办？

分三档处理，按资料价值和数量决定投入：

情况	处理方式	效果	成本
有原始 Word、InDesign、FrameMaker 文件	直接导出结构化文本	解析效果理想，表格与标题都保留	最低
有文字层的 PDF	解析加人工校验表格	好，需修 10%–20% 的表格	中
纯扫描件	OCR 加人工校对关键页	可用，参数页需逐页核	高
只有纸质件	扫描后按上一档处理，或先数字化重点章节	取决于扫描质量	最高

实操建议：不要一次把 20 年的手册全数字化。先做在产的 3–5 个系列，把最常被问的 100 页做准，剩下的按需补。老型号手册做成「能查到型号、能给下载链接」就够了，不必逐字入库。

按章节切还是按字数切？

按章节。固定字数切分（比如每 500 字一段）在技术文档上几乎一定出错：它会把「警告」和「操作步骤」切开，把表格和表头切开，把一句话切成两半。

更细的规则，我们在项目里用的是这套：

1. 以最小标题为切分单位。手册的层级通常是「章—节—小节」，切到小节这一层，一段讲一件事。
2. 超过 800 字的段落再往下拆。按自然段拆，不按字数硬切。
3. 每个切片带上路径。「第 3 章 安装 / 3.2 管路连接 / 3.2.1 密封检查」，检索命中后答案能说清在哪一节。
4. 表格单独成片。表格连表头一起存，别和上下文段落混在一起。

切分粒度直接影响答准率。同一批手册，按字数切和按章节切，答案命中率能差 15–25 个百分点。这是我们在多个项目上测出来的区间，具体差多少跟文档结构规整程度有关。

表格和参数怎么保住？

表格是技术文档里信息密度最高的部分，也是最容易被解析毁掉的部分。三个处理原则：

• 参数表转成结构化数据。型号、参数名、数值、单位、测试条件，五个字段一列一列存。问答时查表，不靠模型读表。
• 带条件的表格保留原文。比如「不同环境温度下的降额曲线」，这种表转不成简单结构，就保留原表并附一句文字说明。
• 单位必须显式写。表头写「流量（L/min）」，不要只在正文里提一次。切片后正文可能不在了。

这一步做完，参数类问题的答对率通常能从 50% 上下提到 85% 以上。剩下的错主要来自型号混淆，处理方式见制造业产品知识库里的型号归并部分。

多语言手册怎么组织？

出口企业的手册常有中英日三版。三种组织方式，各有取舍：

• 分库：每种语言一个索引，用户选语言后只查对应库。最干净，但同一条知识维护三份。
• 同库分片：一个库里存多语言，切片时标注语言，检索时按语言过滤。维护简单，但容易串语言。
• 主语言加翻译：只维护中文库，其他语言在生成答案时实时翻译。最省事，但专业术语容易翻错。

我们的建议是分库，且以「原始编写语言」为准。手册原本用英文写的，英文版就是准的，中文版是译本，两者冲突时以英文版为准。这条规则要写进交付文档，否则后面会为「哪个版本对」扯皮。

手册改版后怎么同步？

技术文档一年改一两次，改版同步是长期问题。三个机制：

• 版本号入库。每份手册带版本号与生效日期，新版入库时把旧版标为已替代。检索默认只查现行版本。
• 差异比对。新版与原版做一次章节级比对，只重新处理变动的章节。100 页手册通常改动不超过 15 页。
• 变更通知。改版后 3 个工作日内通知使用方（售后、销售），说明改了哪几条，避免有人还在用旧口径。

这套机制不复杂，但需要有人负责。多数企业的做法是把这件事挂到技术文档管理员的岗位上，每月固定半天处理。细节在资料清洗与知识库长期维护里展开。

如果要评估整体方案，先读苏州企业AI知识库搭建的 5 步流程。交付范围、解析能力与计价写在企业AI知识库服务页。

揽明AI 团队深耕 B2B 企业服务 19 年，累计服务企业 5000+，办公地在苏州高新区，苏州本地可上门。预约一次 30 分钟诊断，发 3 份代表性手册过来，我们先做一次解析实测，告诉你这批资料能到什么水平。