Cherry Studio 知识库文档预处理，让 AI "读懂"图片里的文字

为什么需要预处理

知识库索引的核心是向量化——把文本转成向量才能被检索。但很多你想扔进去的资料不是纯文本：

不做预处理直接索引，AI 要么读不到（扫描 PDF），要么读错（公式变成乱码），要么检索精度差（代码块和正文混了）。

非文本类型	预处理方式	说明
扫描 PDF	自动 OCR + 版面分析	识别文字、区分段落、保留版式顺序
图片	OCR 识别文字	和翻译页面的 OCR 同一套能力
表格	结构化抽取	Excel / Word / PDF 里的表格转成 Markdown 表格再索引
公式	LaTeX 转文本表示	保留公式语义，方便检索
代码块	独立切分	代码块不切分，整块作为一个检索单元
网页	正文抽取 + 去广告导航	只留正文内容，剥离无关元素

预处理在索引之前自动执行——你拖文件进知识库，Cherry Studio 先做预处理，然后再切分、向量化、建索引。

OCR 依赖多模态模型：扫描 PDF 的文字识别需要调用多模态模型（GPT-4o、Gemini 等）。如果你没配多模态模型，Cherry Studio 会用降级方案（纯文本抽取），扫描 PDF 可能识别不出内容
版面分析：预处理会分析文档的段落顺序，确保 OCR 后的文字排版和原文一致（避免两栏 PDF 左右混乱）
预览确认：预处理完成后可以在知识库数据源详情里预览抽取的文本，确认无误后再启动索引

预处理是整个索引流程里最耗时的环节——几百页扫描 PDF 可能要等几分钟。几个加速技巧：

先手动转：重要扫描 PDF 先用 Adobe Acrobat 或 macOS Preview 的"OCR"功能手动转成可搜索 PDF，再拖进知识库——Cherry Studio 检测到有文字层会跳过自动 OCR
分批添加：不要一次拖进 100 份扫描件，分批处理
用云端多模态模型：OCR 走云端多模态模型比本地 OCR 快得多

如果知识库索引一直卡住、或者预览里文字识别乱码：