RAG 管線概覽¶

NextPDF Enterprise 提供完整的 PDF → RAG 管線，讓您能將 PDF 文件集合轉換為可查詢的向量知識庫，供大型語言模型（LLM）進行 Retrieval-Augmented Generation（RAG）。

什麼是 PDF RAG？¶

RAG（Retrieval-Augmented Generation）是一種讓 LLM 能「查詢自訂知識庫」的架構模式：

1. 文件預處理：將 PDF 分割為語意塊（Chunks）
2. 向量化：將每個 Chunk 轉換為高維浮點向量（Embedding）
3. 索引：將向量存入向量資料庫
4. 查詢：使用者提問 → 向量化查詢 → 找出最相關的 Chunks
5. 生成：將相關 Chunks 作為上下文傳入 LLM → 生成答案

NextPDF 的 RAG 管線針對 PDF 文件的結構特性進行了優化，能正確處理標題層次、表格、多欄版面與 CJK 文字。

管線架構¶

flowchart LR
    subgraph Input["PDF 輸入"]
        PDF1["PDF 文件 A"]
        PDF2["PDF 文件 B"]
        PDF3["PDF 文件 C"]
    end

    subgraph Prisma["Prisma Enterprise 處理層"]
        PARSE["PDF 解析\n(/v1/parse)"]
        CHUNK["語意分塊\n(/v1/rag/chunk)"]
        EMBED["向量嵌入\n(/v1/rag/embed)"]
    end

    subgraph VectorDB["向量資料庫"]
        QDRANT["Qdrant"]
        PINECONE["Pinecone"]
        PGVECTOR["pgvector"]
    end

    subgraph Query["查詢層"]
        QUESTION["使用者提問"]
        EMBED_Q["查詢向量化"]
        SEARCH["向量相似度搜尋\n(/v1/rag/search)"]
        RESULTS["最相關 Chunks"]
    end

    subgraph LLM["LLM 生成"]
        CONTEXT["Chunks + 提問 → Context"]
        GENERATE["LLM 生成答案"]
    end

    PDF1 & PDF2 & PDF3 --> PARSE
    PARSE --> CHUNK --> EMBED
    EMBED -->|"upsert"| QDRANT & PINECONE & PGVECTOR

    QUESTION --> EMBED_Q --> SEARCH
    QDRANT & PINECONE & PGVECTOR --> SEARCH
    SEARCH --> RESULTS --> CONTEXT --> GENERATE

核心元件說明¶

1. PDF 解析層¶

Prisma Enterprise 的 PDF 解析器不僅提取純文字，還保留： - 標題層次：識別 H1/H2/H3 結構，用於生成語意分塊的上下文路徑 - 閱讀順序：正確處理多欄版面，確保文字提取順序符合閱讀邏輯 - 表格結構：將表格轉換為 Markdown 格式，保留行列關係 - 頁面邊界：每個 Chunk 記錄來源頁碼，支援引用溯源 - CJK 支援：正確處理中日韓文字的分詞與語意邊界

2. 語意分塊策略¶

NextPDF 提供三種分塊策略：

語意分塊器會： - 識別自然語意邊界（段落、章節轉換） - 在 Chunk 之間保留 chunk_overlap 字元的重疊，確保邊界資訊不遺失 - 為每個 Chunk 生成包含標題路徑的「上下文前綴」（提升 RAG 準確度）

帶上下文前綴的 Chunk 範例：

[上下文前綴] 第三章 > 退款政策 > 申請期限
[Chunk 內容] 退款申請須於購買日起 30 天內提出，逾期恕不受理。
             退款將於審核通過後 7 個工作日內退回原付款帳戶。

3. 向量嵌入模型¶

4. 向量資料庫整合¶

快速開始（MCP 方式）¶

透過 NextPDF Connect MCP 工具，AI 助理可以直接建立 RAG 知識庫：

使用者：「把 docs/ 目錄下的所有 PDF 建立成知識庫，存入 Qdrant」

AI 助理執行：
1. embed_documents（索引所有 PDF）
2. semantic_search（測試查詢）
3. 回報索引結果

快速開始（PHP API 方式）¶

<?php

declare(strict_types=1);

use NextPDF\Enterprise\Rag\RagPipeline;
use NextPDF\Enterprise\Rag\VectorStore\QdrantAdapter;

// 建立 RAG 管線
$pipeline = new RagPipeline(
    vectorStore: new QdrantAdapter(
        endpoint: 'http://qdrant:6333',
        collection: 'knowledge-base',
    ),
    chunkingStrategy: 'semantic',
    maxChunkSize: 512,
    chunkOverlap: 64,
    embeddingModel: 'nextpdf-embed-v1',
);

// 索引 PDF 文件
$result = $pipeline->index(
    paths: ['/docs/manual-v3.pdf', '/docs/faq.pdf'],
    namespace: 'tenant-abc123',
);

// 語意搜尋
$results = $pipeline->search(
    query: '退款政策的申請期限是多久？',
    namespace: 'tenant-abc123',
    topK: 5,
    minScore: 0.7,
);

效能考量¶

引用溯源（Citation）¶

NextPDF RAG 管線的每個搜尋結果都附帶完整的引用元資料：

{
  "chunk_id": "manual-v3-chunk-0042",
  "score": 0.923,
  "text": "退款申請須於購買日起 30 天內提出...",
  "citation": {
    "document_path": "/docs/policy-manual.pdf",
    "document_title": "使用者服務政策手冊",
    "page": 15,
    "section_path": ["第三章 客戶服務政策", "3.2 退款政策", "3.2.1 申請期限"],
    "indexed_at": "2026-03-01T10:00:00Z"
  }
}

此設計讓 LLM 能在回答中提供精確的「[第15頁，服務政策手冊]」引用，大幅提升答案的可信度。

參見¶

• RAG 使用案例 — 各行業的 RAG 應用場景
• Prisma Enterprise API — /v1/rag/* 端點完整規格
• Enterprise MCP 工具 — embed_documents 與 semantic_search