十年前的掃描 PDF 也能進知識庫嗎？談 OCR 與內容整理

很多公司最重要的那幾份規章，是十年前掃描的 PDF，甚至是用手機拍的照片。

發生了什麼

OCR 能把圖片裡的字認出來，但認出來的結果通常很難看：斷行位置錯亂、表格散成單行、頁首頁尾混進內文。

這對企業的意義

辨識率高不等於能用。真正影響搜尋品質的是辨識之後的整理——把破碎的行重新組成段落、把表格還原成結構、把頁碼與浮水印清掉。

這一步做不好，向量檢索會把一堆語意破碎的片段收進去，之後每一次搜尋都在那些碎片裡撈，回答品質就再也救不回來。導入評估時，值得要求對方用你們最爛的那份掃描檔實測一次。