企业知识库上的 RAG，真正卡住的往往不是检索算法，而是文档进库这一步。PDF、Word、幻灯片、扫描件版式各异，内容锁在复杂视觉布局、多栏页面和密集表格里。规则抽取和 OCR 会破坏阅读顺序、拍扁表格、丢掉标题层级；直接在抽取文本上做完全智能体式切块，又会推高 token 成本并引入幻觉风险。这篇 Hugging Face Daily Papers 上的工作提出 Document Retrieval-Aware Chunking（D-RAC），把作者此前的 Web Retrieval-Aware Chunking（W-RAC）从网页扩展到任意可渲染文档。
先归一成 PDF，再一次多模态重写
D-RAC 的关键假设是：几乎每种格式都有保真、确定性的 PDF 渲染，因此任意输入先统一成 PDF。随后只用一次多模态大模型，把渲染页转成检索优化的 Markdown——表格被改写成可独立理解的陈述句，标题层级得到保留。切块阶段完全复用 W-RAC：先确定性解析成带 ID、可寻址的单元，再用轻量 LLM 只在标识符上做切块规划，而不是对着正文生成。源文本在切块时不被重新生成，从而保留 W-RAC 的成本、确定性和可观测性，同时让所有可渲染格式成为一等输入。
目前能核实的实验信息
作者在 RAG-Multi-Corpus 基准的 PDF 子集上跑了端到端转换与切块：236 篇文档、795 页，覆盖五个企业领域。整库转换加切块耗时 72 分钟，零错误。摘要在产出规模处被截断，现有材料没有检索指标、对比基线、领域拆分，也没有给出所用多模态模型的名称与费用。因此不能据此断言检索质量一定更好，只能确认这条流水线在该 PDF 子集上可以稳定跑完。
我的判断
D-RAC 的价值不在又一个切块启发式，而在把版式保真和检索友好重写拆开，并把昂贵生成限制在一次页面转 Markdown，切块回到对标识符的规划。对企业文档摄入，这比纯规则或 OCR 更对症，也比全文智能体切块更可控。适用边界同样清楚：它依赖 PDF 渲染是否真的保真，以及多模态模型能否稳定改写表格与层级；扫描件、复杂图表、公式是否同等有效，材料没有给出。摘要不完整，检索质量、成本细项、与 W-RAC 网页设定的差异都无法核实。工程上可以把它当成「先渲染、再一次多模态重写、再确定性切块」的摄入路径来试；要当通用企业标准，还缺对照实验和失败案例。