href="https://www.cnblogs.com/ljbguanli/p/19623444"

title="发布于

aria-level="2">DeepSeek+LangGraph构建企业级多模态RAG：从PDF繁琐解析到Agentic智能检索全流程实战

id="content_views">

摘要：

传统的文本RAG（检索增强生成）在面对包含复杂表格、图片和多栏排版的PDF文档时往往力不从心。

本文将带你从零开始，基于 Unstructured

PaddleOCR 实现“结构解析重建法”，将复杂的PDF逆向转化为高质量的Markdown文档；并结合 DeepSeek 大模型与 LangGraph 智能体框架，构建一个具备自我修正能力的

Agentic

引擎。

本文包含完整的环境配置、核心代码实现及架构原理解析。

1.

引言：RAG系统的“最后一公里”难题

随着大模型（LLM）技术的普及，RAG（检索增强生成）已成为企业知识库落地的主流方案。

然而，在实际开发中，开发者往往会撞上一堵墙：数据清洗。

企业内部存在大量

PDF

文档，这些文档不仅仅是纯文本，还包含了：

• 跨页的表格

• 复杂的流程图与截图

• 多栏排版与页眉页脚

传统的 PyPDF2 或简单的

OCR

方案只能提取出破碎的文本流，丢失了文档的结构信息（如标题层级、表格对应的行列关系）。

这种“垃圾进（Garbage

In）”必然导致“垃圾出（Garbage

无法回答基于表格数据或图片内容的问题。

本文将介绍一种工业级的解决方案：结构解析重建法，并结合最新的

Agentic

理念，打造一个真正好用的多模态检索系统。

---

2.

什么是“结构解析重建法”？

所谓“结构解析重建”，本质上是对原始

PDF

文档进行分层解析，将其中的 标题、段落、表格、图片、公式 等元素逐一抽取，并依据其在文档中的位置和语义关系重新组织，最终转化为一种适合

LLM

理解的结构化格式——Markdown。

Markdown

天然支持标题层级（#）、表格（|---|）、图片引用（![]）和代码块，是

RAG

技术栈选型

• 文档解析：Unstructured（基于

  Layout

  OCR）。

• 向量存储：FAISS + OpenAI

  Embedding（兼容

  等模型）。

• 编排框架：LangChain + LangGraph（构建有状态的循环智能体）。

• 大模型：DeepSeek-V3（高性价比，推理能力强）。

3.

OCR

安装避坑指南：

• Windows

  用户：如果安装

  Tools。

• 模型下载：首次运行

  PaddleOCR

  时会自动下载检测和识别模型，请确保网络通畅。

4.

第二阶段：多模态PDF深度解析（核心）

这一部分是整个系统的基石。

我们将把一个非结构化的

PDF

UnstructuredLoader

我们使用 UnstructuredLoader 的 hi_res（高分辨率）模式，结合

PaddleOCR

UnstructuredLoader(file_path=file_path,strategy="hi_res",

关键：启用高分辨率模式，进行版面分析infer_table_structure=True,

关键：自动将表格解析为

HTML/结构化数据ocr_languages="chi_sim+eng",

启用中英文

loader_local.lazy_load():docs_local.append(doc)

print(f"解析完成，共提取

此时，docs_local 中的每个对象都包含了：

• page_content:

  包含坐标（coordinates）、页码（page_number）、元素类别（category，如

  Title,

  元素提取与可视化验证

  为了确认解析是否准确（有没有把表格切碎，有没有把标题识别成正文），我们可以编写一个可视化函数，将识别框绘制在

  PDF

  segments):"""在PDF页面上绘制元素识别框"""pix

  [pix.width,

  segment["coordinates"]["points"]layout_w

  segment["coordinates"]["layout_width"]layout_h

  segment["coordinates"]["layout_height"]scaled_points

  [(x

  facecolor="none")ax.add_patch(rect)#

  scaled_points[0][1],

  fontsize=8)plt.axis("off")plt.show()

  调用示例：渲染第1页

  plot_pdf_with_boxes(pdf_doc.load_page(page_num

  1),

  逆向工程：将PDF重组为Markdown

  这是本文最精华的部分。

  我们将利用 fitz 提取高、清图片，利用 Unstructured 提取文本结构，最后拼接成一个完整的

  Markdown

  partition_pdf(filename=pdf_path,infer_table_structure=True,strategy="hi_res",ocr_languages="chi_sim+eng",ocr_engine="paddleocr"

  Step

  enumerate(page.get_images(full=True),

  start=1):xref

  f"page{page_index}_img{img_idx}.png"img_path

  img_filename)pix.save(img_path)image_map[page_index].append(img_path)

  Step

  "Subheader"]:md_lines.append(f"##

  {text}\n")#

  html2text(el.metadata.text_as_html)md_lines.append(md_table

  "\n")

  简单策略：如果该位置识别到了Image元素，我们将该页未插入过的图片按顺序插入#

  img_path

  inserted_images:md_lines.append(f"\n")inserted_images.add(img_path)#

  3.5

  Markdown，构建向量库就变得简单且高效了。

  我们将使用 MarkdownHeaderTextSplitter 来按章节切分，这样可以最大限度保留上下文语义。

  langchain_community.vectorstores

  import

  OpenAIEmbeddings(model="text-embedding-3-small",

  或其他兼容模型#

  MarkdownHeaderTextSplitter(headers_to_split_on=headers_to_split_on)

  md_splits

  markdown_splitter.split_text(md_content)

  print(f"文档已切分为

  FAISS.from_documents(md_splits,

  vector_store.save_local("my_rag_index")

  print("✅

  生成。

  如果检索结果不好，系统就瞎编。

  
  Agentic

  RAG（代理式RAG） 是一个闭环：检索

  ->

  生成。

  我们将使用 LangGraph 来实现这个智能工作流。

  6.1

  初始化模型与工具

  langchain_community.vectorstores

  import

  OpenAIEmbeddings(model="text-embedding-3-small")

  vector_store

  FAISS.load_local("my_rag_index",

  embeddings=embed,

  allow_dangerous_deserialization=True)

  创建检索工具

  vector_store.as_retriever(search_kwargs={"k":

  3})

  create_retriever_tool(retriever,name="retrieve_docs",description="搜索并返回知识库中的相关文档片段。

  ",

  初始化

  init_chat_model(model=MODEL_NAME,

  6.2

  动作：

  1. Grade

     (打分员)：判断检索到的文档是否有用。

  2. Rewrite

     (改写员)：如果文档没用，重写用户问题。

  3. Generate

     (生成员)：根据文档回答问题。

  GradeDoc(BaseModel):"""文档相关性评分"""binary_score:

  str

  Field(description="文档是否与问题相关，'yes'

  'no'")

  generate_query_or_respond(state:

  MessagesState):"""决策节点：直接回答还是调用工具检索？

  """#

  await

  llm.bind_tools([retriever_tool]).ainvoke(state["messages"])return

  {"messages":

  "rewrite_question"]:"""评分节点：决定下一步是生成答案还是重写问题"""question

  获取检索结果（通常是工具调用的输出）tool_messages

  for

  f"""你是一个文档评估员。

  请判断以下检索到的文档是否包含回答用户问题所需的信息。

  文档内容:

  {context}用户问题:

  llm.with_structured_output(GradeDoc)result

  await

  result.binary_score.lower().startswith("y"):return

  "rewrite_question"

  MessagesState):"""重写节点：优化查询语句"""question

  state["messages"][0].contentmsg

  [{"role":

  "你是一个提示词专家。

  请重写用户的问题，使其更容易被向量数据库检索到，聚焦于关键词。

  "},{"role":

  "user",

  MessagesState):"""生成节点：最终回复"""#

  System

  llm.ainvoke(state["messages"])return

  {"messages":

  (Graph)

  将上述节点连接起来，形成工作流。

  class="language-python">workflow

  添加节点

  workflow.add_node("decision_maker",

  workflow.add_node("retrieve_tool",

  rewrite_question)

  workflow.add_node("answer_generator",

  generate_answer)

  workflow.add_conditional_edges("decision_maker",

  route_tool_trigger)

  workflow.add_conditional_edges("retrieve_tool",

  grade_documents)

  workflow.add_edge("answer_generator",

  END)

  "__main__":asyncio.run(main())

  ---

  7.

  总结与展望

  通过本文的实战，我们成功搭建了一套企业级的多模态

  RAG

  系统。

  1. 数据层：利用 Unstructured + PaddleOCR 攻克了

     PDF

     Markdown。

  2. 存储层：利用 MarkdownHeaderTextSplitter 实现了基于语义的精准切分。

  3. 认知层：利用 DeepSeek + LangGraph 构建了具备反思能力的

     RAG“查不到乱回答”的问题。

  未来优化方向：

  • 多模态

    Embedding：目前我们只是将图片路径存入

    CLIP

    模型直接对图片进行向量化，实现“以文搜图”。

  • GraphRAG：在向量检索的基础上引入知识图谱，处理跨文档的复杂推理问题。