戴高乐国际大模型技术观察：如何把数千份ESG报告变成可以检索与分析的知识库

文档切分不能破坏表格

普通 PDF 解析容易把双栏文字、页眉和表格顺序打乱。处理流程应先识别页面版式，把段落、表格、图注和脚注分别保存，并给每个片段绑定页码与坐标。表格单元格还要保留行列标题与单位。即使之后使用 OCR，也应记录识别置信度，并对重要数值保留原图供审核。

检索要理解企业与年度

知识库检索不能只依赖相似度。用户问“2025 年供应链排放”，系统应先限定企业身份、报告年度、指标类别和报告版本，再在范围内进行语义检索。母公司与子公司、报告年与发布年常被混淆，因此元数据过滤和企业知识图谱与向量检索同样重要。多语言问题还要兼顾原文术语，以免翻译造成指标错配。

回答必须有可点开的出处

RAG 的关键并非把检索片段塞进提示词，而是保证每项事实都能回到报告原文。结果应列出文档标题、页码、表格位置和引用片段；若来源互相矛盾，要说明差异而不是合成一个不存在的数字。对比问题则需要先结构化提取，再在统一口径下运算，避免让语言模型凭文本叙述心算。

建立持续评估机制

可以按数字抽取、跨页表格、脚注理解、跨语言匹配和无答案拒答等场景建立测试集。研究显示，报告 RAG 的表现受检索和模型选择影响，不能只看回答是否通顺。对企业用户更有意义的指标是引用准确率、数值误差、漏报率和人工复核时间。知识库应在新报告发布后增量更新，并保留旧版本以支持回溯。

研究实践：把方法落实到记录

知识库需要特别处理报告中的否定与时间范围。例如‘尚未设立净零目标’不能被检索器误当作‘已设立目标’，而‘2023 年目标’也不能用于回答 2025 年实际排放。对于跨报告比较，系统先抽出带单位和边界的结构化记录，再执行计算，最后让模型解释差异；这比要求模型直接在长文本中推算稳健得多。

进一步观察

以提问“某公司是否披露了水压力区域的用水量”为例，关键词检索可能只找到企业总取水量，而真正答案藏在附录的地区表格。系统应先识别问题中的实体、地区和指标，再在对应报告版本里检索。若没有地区拆分，就清楚说明“找到总量，但未找到水压力地区明细”；不能拿总量代替问题所问的数据。

知识库的更新也有成本。企业发布更正报告后，旧文档的向量索引和已抽取指标都可能过期。应建立文档级与指标级失效机制，重新运行受影响的检索评估。研究人员可以把常见错误回写为标注样本，例如跨页表格断裂、脚注归错行和不同语言的单位误译。持续迭代的关键不是让模型记住答案，而是让证据管道越来越可靠。

研究建议

回答界面还应区分直接引用与模型推论。直接引用是报告明示的事实，推论可能结合多个来源与计算。若用户询问‘为什么排放上升’，模型不能把报告中提到的扩产自动认定为唯一原因；应同时展示产量、收购、边界重述等可能因素，并说明哪些有原文支持。