pdf-rag-pipeline：面向文本型 PDF 的可溯源 RAG 预处理与检索工具
wenxin123abc/pdf-rag-pipeline · Traceable PDF-to-RAG preprocessing and retrieval toolkit, also packaged as a Codex Skill.
该项目用 Python 实现，面向文本型 PDF 的本地 RAG 预处理、检索与评测。它把 PDF 转换为 page、section、table、image 四类可检索对象，并保留页码、章节层级、表格结构与 bbox 引用位置，支持批量目录构建、带磁盘缓存的 BM25 中文检索、按页读页与查表查图、原文引用、模型无关的图片描述回填、recall@k/MRR/页码准确率/表格数值一致率评测，以及单文件离线 HTML 引用预览。项目定位为 RAG 中最脏的预处理层，不内置 LLM 问答层、向量数据库或 SaaS 前端，纯扫描件需外部 OCR。
评论 · 分享第一个看法