标签 Unstructured 下的文章

把 PDF、Word、扫描件拆成带类型的元素，再交给 RAG 或模型消费。 做文档类 RAG 的人都有一个共同的坑：把 PDF 一股脑转成纯文本，标题、正文、表格、页眉全混在一起，检索出来一段话你都不知道它在说哪一节。Unstructured 把这一步做成了正经的 ETL：先把文档拆成带类型的元素（Title、NarrativeText、Table、ListItem），再序列化成 JSON，下游想怎么用都行。仓库 Apache-2.0，约 1.6 万星（以 GitHub 为准...