你把一份几十页的报告交给 AI，问题的答案明明在表格里，它却说文档没有提到。问题可能不在 AI，而在更早的一步：PDF 解析时，表格已经被拆成一堆失去关系的文字。Angela Shi 在 Enterprise Document Intelligence 系列 Part III 的这篇文章中提出，与其给每一页都上最贵的工具，不如先做廉价解析，再用一连串检查找出失败页面，逐级加码。
这里的数字和案例均来自作者文章及其配套项目，只有一个独立信源。尤其是速度和成本数据缺少测试环境，适合用来说明数量级差异，不应视作通用基准。
PDF 看得见，不等于机器读得懂
PDF 更像一张规定文字、线条和图片摆放位置的电子纸，而不是结构清楚的文档。解析器必须自行还原段落、表格和阅读顺序；如果页面是扫描图片，还要先做 OCR——把图片中的字符识别成文字。
作者建议分两步处理。第一步是初始化：根据文档类型选择基础解析器。原生 PDF 先用 PyMuPDF；扫描件则从免费的 OCR 引擎开始。两类工具输出相同格式的逐行数据，让后续系统不必关心前面用了哪一种解析器。
第二步才是关键：检查基础结果，把有问题的页面升级给能力更强、成本也更高的解析器。作者将这种安排称为 escalation cascade，也就是“升级级联”：像医院分诊一样，普通页面在基础环节结束，疑难页面才进入更重的检查。
先找明显失败，再讨论理解
最便宜的一层是确定性检查——按照明确规则寻找明显异常。配套 GitHub 项目 doc-intel/notebooks-vol1 提供了 pre_parse_signals，可输出每页的字符数 char_count、图片数 image_count，以及根据逐行数据 line_df 识别扁平表格的特征。
这些规则不负责判断机器是否真正“理解”了内容。它们更像质量闸门：文本是不是少得反常，页面是否有图片却没有对应文字，表格是否被拆成彼此孤立的行。一旦触发信号，系统就把页面送往更重的工具。
文章用 2017 年的 Attention paper 举了两个例子。第 9 页的 Table 3 经扁平解析后，每个单元格各占一行，原本的行列关系随之消失。第 3 页的 Figure 1 则更直接：PyMuPDF 返回的图示主体为空。便宜解析器没有报错，却丢掉了回答问题所需的信息，这正是“静默失败”最麻烦的地方。
检查不只发生在入口
作者设计的级联贯穿整条 RAG 文档管线。RAG 是一种先从文档中找相关内容，再让语言模型依据这些内容回答的流程。解析位于入口；入口丢了表格或打乱阅读顺序，后面的检索和生成再强也很难补回来。
这套级联依次利用四类信号：解析前的元数据先为大部分文档选择路线；解析过程的输出暴露扁平表格和无法读取的图；检索评分检查找到的内容是否偏离问题中的关键线索；最后，生成阶段的反馈捕捉此前漏过的失败。只要某一层认为现有结果不足以回答问题，系统便升级解析。
本文重点讲的是级联中便宜的一端。更深层解析器如何实际处理表格与图形，作者计划放在第二篇文章中；供稿时该文尚未发布。
为什么值得关注
据作者给出的示意数据，PyMuPDF 解析一页约需 5 毫秒，也不产生按次的模型调用费用；视觉 LLM——能直接观察页面图像的语言模型——处理同一页可能贵约 10,000 倍，并耗时约 10 秒。这里的“免费”只表示没有模型 API 费用，不代表计算和运维没有成本。
真正有用的不是某个具体倍数，而是架构上的取舍。普通文字页通常不需要视觉模型；表格、图形、扫描区域和被压平的复杂版面却可能需要。逐页都用重型工具会浪费资源，只用基础工具又会漏掉关键信息。按失败升级，把成本花在暴露出风险的页面上，才有机会同时守住费用和质量。
局限与未知
- 所有结论目前只有作者文章及同项目仓库这一个独立信源，尚未形成交叉验证。
- 5 毫秒、10 秒和 10,000 倍均未披露硬件、模型、分辨率、计费口径及重复测试条件，不能当作普适基准。
- Attention paper 的两个解析结果可能受 PDF 版本、PyMuPDF 版本和参数影响；文章提供了复现入口，但本文材料没有独立复现实验结果。