某晶圆代工龙头文档解析：为企业 Agent 提供可靠的多模态数据

企业文档不仅包含正文，还包含 Excel 悬浮图片、公式与绘图元素，PPT 流程图、图表和 SmartArt，以及 PDF 中的跨页表、表内图片和复杂版面。

如果解析只得到零散文本，表格行列、图文关系和阅读顺序会丢失；错误数据进入知识库后，会直接影响检索证据与 Agent 回答的可靠性。

解析流水线将表格还原为保留表头、行列和合并单元格的 HTML，并针对普通表、一框多表、流程图表和跨页表采用不同策略。

无法可靠还原时保留表格或图片原图，不静默丢失内容；页眉页脚、标题、脚注和表内图片被拆成独立内容块，便于检索、展示与进一步编辑。

解析结果同时保留结构化内容与来源对象，让知识库能够按文字、表格和图片建立索引，Agent 在回答时可引用更完整的业务证据。

对有表头跨页表、三页以上连续表和低清密集表等场景采用保守策略，并明确人工校验与能力边界，避免把不稳定结果包装为确定事实。