做LLM的文档RAG应用的时候，面对长文档的切片问题，行业越来越有一种共识，那就是：

如果有标题，最好是利用标题和段落的语义信息做分片，这样语义完整性更高，有利于后面的召回；

但如果文档里没有标题，或者标题识别得不好，那就得还是按固定长度切分，或者拆成每页一个chunk。

正因如此，行业对文档RAG系统的第一步，也就是文档解析，提出了准确解析文档标题的需求。

目前，市面上能把标题处理得很好的PDF解析工具，并不多。

最粗暴的做法，是把所有标题都统一处理成一级或二级标题；

效果更好，但也更难的做法，是尝试如实还原为一级标题、二级标题、三级标题。

我们TextIn选择的就是后一种。

因为从第一性原理上讲，输出信息的语义信息越丰富，越贴近原始文档，就越有利于后续的问答任务。

所以，即使我们当下效果离完美还有距离，但仍然坚定选择投入研发，尽力去攻克这个问题，从而为开发者们提供更好的检索召回效果。

想要从PDF中提取标题，从而提升RAG系统性能的开发者，也欢迎体验我们的产品～

链接：www.textin.com