OCR（光學字元識別）

你會在什麼時候遇到它

你的知識庫只要有掃描的年報、合約、發票、舊報告，就得先過 OCR，否則模型看到的是一整頁無法讀取的圖像。它也是「資料莫名其妙缺一大塊」的常見元兇：OCR 沒做好，後面 RAG 再強也沒用。

最小範例

一份掃描年報的兩頁：

第 1 頁（印刷體、清晰）：
  OCR →「營業額 12,345 千元」        ✓ 準確

第 2 頁（表格＋手寫批註＋模糊）：
  OCR →「營業額 l2,345 干元」        ✗ 錯字連篇
  表格欄位對錯行、手寫幾乎全滅

→ 兩頁都「有輸出」、看起來都成功，但第 2 頁的資料已經壞了

最危險的地方是：OCR 失敗通常不報錯，它照樣輸出一串文字，只是那串是錯的。下游的 embedding、檢索、回答全都建立在錯字上，而你從最終答案根本看不出源頭是 OCR。所以紙本流程一定要抽檢 OCR 結果，尤其表格和數字。

最常搞錯的地方

• 以為 PDF「有文字」就等於「能直接讀」。很多 PDF 是掃描圖像，表面看是文件，實則一整頁都是圖片，不先 OCR 就餵給模型，它只會說讀不到內容。
• 對表格、多欄排版、手寫直接套用一般 OCR。這些版面的閱讀順序、欄位對應最容易出錯，數字錯一位，整份財務分析就全錯。這類文件要用專門處理表格／版面的 OCR 流程，並人工複核關鍵數字。