前 21 天我一直在修檢索、修 prompt、修尺、修 agent，但有一個前提從來沒被檢討過：
餵進去的語料是我自己寫的乾淨 markdown。 標題工整、沒有頁首頁尾、沒有錯字。
企業實際丟進 RAG 的東西不長那樣。

今天把同一份 59 條工作規則排版成 PDF、印成掃描頁，
用完全一樣的系統、一樣的 28 題、一樣的尺再跑一次。

抽得到文字層的，一題都沒掉；只剩圖的，掉 21%。
而這一刀跟模型、切法、prompt 都無關。

這是《30 天打造 AI 後端：從 LLM、RAG 到 AI Agent》的第 22 篇。

chunkers 靠 ### 第 N 條 這個 markdown 標題切塊，
而 PDF 裡沒有 ###，掃描圖裡連文字都沒有。
切法之所以有效，是因為語料剛好長成它喜歡的樣子。

今天的變因只有一個：同樣的內容，長成不一樣的形態。

一、四份語料，同一份內容

素材是合成的，不是真的掃描件。 合成的代價是它比真的乾淨；
合成的好處是有標準答案——我知道原文長什麼樣，所以算得出 OCR 漏了哪一條、
把哪個字抄壞了。真的掃描件沒有這個對照組。
（PDF 我刻意加了頁首頁尾，因為真的 PDF 都有，而它們會混進抽出來的文字裡。）

生成側完全凍結：Day 14 以來那條寫死的管線（原句查一次、k=3、同一個 prompt、
gpt-4o-mini、temperature=0）。不用 agent、不用自驗——Day 20／21 量過那兩樣
在這批題目上都是打平，今天不要它們進來當雜訊。

（V 原本要用視覺模型當 OCR，它拒絕了。為什麼改用離線引擎，寫在第六節。）

二、結果

T 都是 24 題，只剩圖要靠 OCR 的 V 與 V+ 掉到 18 與 22

T 與 G 的 28 題答案一字不差，連判定都不用重跑。
而 V+（髒的）比 V（乾淨的）多對 4 題——這一條等一下單獨講。

再看攝取進去的東西剩下什麼，這張表比上面那張更有用：

「平均相似度 0.67」不是「答對率會掉 33%」，但它也不是「還好」。
它的意思是每 3 個字就有 1 個不一樣，而規章裡最短、最關鍵的句子就是數字。

T 那個滿分要先畫清楚邊界：這份 PDF 是我自己生的——單欄、沒有表格、
沒有浮水印、沒有雙欄跨頁。真實世界的 PDF 會在那些地方壞掉。
今天能證明的只有一件事：「PDF」本身不是問題，「沒有文字層」才是。

三、掉的那 6 題，每一題的死法都不一樣

最後一題值得停一下。第 19 條在 V 的語料裡長這樣：

平日延長工作時間在二小时以内者，按平日每小時工餐额加给三分之一以上；
再延二小时以内者，加给三分之二以上。

「工資額」變成「工餐额」、「再延長」掉了一個字——但三分之一、三分之二
兩個數字都是對的、順序也是對的。 模型還是答成「前 2 小時三分之二、
第三小時三分之一」。

多條文-301 加班費：規章寫前 2 小時加給三分之一、第 3 小時加給三分之二，模型把兩個數字對調了；而 OCR 並沒有抄壞這兩個數字，壞掉的是周圍的字

條文沒爛，是周圍的字爛了，模型就把數字接反。
我前 21 天量的都是「有沒有撈到正確條文」。這題告訴我：撈到了、數字也在，還是會錯。

四、反直覺的那一個：髒圖比乾淨圖準

關鍵在字數：乾淨那份少了快 1,000 個字。
OCR 在乾淨圖上不是「認錯字」，是整段沒認出來——
第 29 條、第 32 條在 V 裡相似度是 0.00，等於整條不見。

我沒有把握解釋為什麼。可測的假設是：退化那一版經過灰階化與 JPEG 壓縮，
筆畫被抹得比較粗，反而讓文字偵測器把行框抓得更完整；
而 150dpi 的銳利反鋸齒邊緣，對這個偵測器容易斷。
這要換一個 OCR 引擎再跑一次才能說是通則，今天只能說：
在這一組設定下，「圖比較乾淨」不等於「OCR 比較準」。

五、recall 這把尺，在壞語料上會騙人

前 21 天我一直用「必要條文有沒有被撈到」當檢索的尺。今天它失真了：

• 單條文-10（小孩打疫苗請什麼假）：V 與 V+ 的 recall 都是 0%，
  兩邊卻都答對了——第 29 條的文字被 OCR 併進隔壁條，
  文字還在，只是掛在錯的條號底下。
• 反過來，單條文-14 在 V 的 recall 是 100%，答案卻是不完整的。

V+ 的 recall 比 V 低，答對率卻比 V 高。語料本身會壞的時候，
「條號 recall」量的是 metadata 的正確性，不是「模型有沒有拿到該拿的字」。

六、路上兩個坑

坑一：視覺模型不肯當 OCR

原計畫的 V 是「把每頁圖丟給 gpt-4o-mini 逐字轉錄」。它說：

抱歉，我無法逐字轉錄這些內容。如果需要，我可以幫你總結或解釋這些條文的內容。

換 gpt-4o、換四種問法、把「本文件僅供內部使用」的頁尾裁掉再試——全部拒絕。
20 次呼叫，3.44 元，一個字都沒拿到。

而「總結或解釋」正好是 RAG 最不能接受的東西：語料一旦被改寫，
答案就不再來自原文，後面所有的引用與查核都失去意義。

所以改用離線 OCR 引擎（RapidOCR）。這反而更貼近真實——
沒有人會用視覺模型 OCR 一萬頁文件。成本的單位也跟著換了：不花錢，花時間。

坑二：NFC 還是 NFKC，差 59 條

T 路徑第一次跑出來，59 條沒有一條跟原檔一樣。把差異印出來長這樣：

replace '勞動契' -> '勞動契'
replace '臨'     -> '臨'

看起來一模一樣，因為它們不是同一個字元——PDF 抽出來的「勞」落在
CJK 相容表意文字區（U+F9xx）。連「第六章」都因此比對不到，被當成內文併進上一條。
這不是 PDF 的 bug，是字型 cmap 的正常行為。一行就能修，但要選對：

NFC 合併「同一個字的不同碼位」，正好是這裡的病；NFKC 多做了「相容字元展開」，
把全形括號 （） 換成半形 ()，修好一個問題的同時製造了另一個。
差一個字母，差 59 條。

七、錢與時間

問答成本四份語料幾乎一樣——語料爛不會讓你比較省錢，只會讓你比較常錯。
今天總共 4.43 元，其中 3.44 元是買那 20 句「抱歉，我無法逐字轉錄」。

八、預測對帳

計畫裡寫死七條，跑完不准改：

猜錯的三條指向同一件事，而這件事就是今天的結論：文件品質不是一條連續的滑坡，
是一道階梯。 有文字層就幾乎無損，沒有文字層就整段消失；而在「沒有文字層」
這一階裡，髒一點乾淨一點不是重點。要估一份文件會不會拖垮 RAG，先問它站在哪一階。

小結

1. 「PDF」不是問題，「沒有文字層」才是。 同一份 PDF，抽得到文字就是滿分，
   抽不到就掉 21%。決定成敗的是這一刀，不是模型、不是切法、不是 prompt。
2. 語料的錯誤會偽裝成檢索的錯誤。 301 撈到了正確條文、數字也在，照樣答錯；
   單條文-10 沒撈到正確條號，卻答對了。報表上長得一樣，修法完全不同
   ——而我前 21 天修的都是後者。
3. 決定成敗的東西不會出現在架構圖上。 NFC 與 NFKC 差一個字母、差 59 條；
   視覺模型很客氣地說可以幫你「總結」，而那正是你最不能要的。

最後要講清楚今天的邊界：這四份語料裡一張表、一張流程圖都沒有。
純文字條文 render 成圖也只是「文字的照片」，OCR 把字認回來就結束了。
企業真正的素材不長這樣——特休天數在一張年資對照表裡，簽核層級在一張流程圖裡，
資訊藏在「同一列」和「箭頭的方向」，那兩樣都不是字。
所以今天能宣稱的只有一句：這一刀決定了純文字內容的存亡。

明天 Day 23：表格與流程圖——OCR 拿得到字，但拿不到關係

明天補上企業文件裡最常見的兩種圖，出只有看圖才答得出來的題
（答案不會出現在任何一句條文裡）：

一張年資對照表      「滿三年未滿五年 → 十四日」，資訊在「同一列」這個關係裡
一張簽核流程圖      「請假 3 天以上 → 部門主管 → 人資」，資訊在箭頭的方向裡

三條路徑對撞：PDF 文字層、OCR、以及「不做轉錄，把那一頁的圖直接貼進 prompt」。
最後那條特別值得試，因為今天那個拒絕給了一個線索：
視覺模型不肯把整頁「抄」給我，但它主動說可以「解釋」。
抄不行、問可以——如果這是真的，圖片在 RAG 裡的正確用法就不是先轉成文字，
而是留著它，等到有人問的時候再看。