AI 文档审查为什么总是定位不准？PDF 原文高亮与精准定位的实现思路

一、背景：AI 发现问题后，为什么还需要原文定位？

随着大语言模型应用的发展，AI 已经能够辅助完成合同审查、技术文件检查、工程方案审查等复杂任务。

但是，在实际使用中，经常会出现这样一种情况：

AI 已经识别出文档中的问题，并提供了审查意见，但用户却无法快速找到问题对应的原始内容。

例如，AI 提示：

“第 35 页某项技术参数与前文描述不一致。”

用户点击“定位原文”后，却可能遇到以下问题：

• 跳转到了错误的页面。
• 页面正确，但没有高亮对应内容。
• PDF 缩放后，高亮框与文字发生偏移。
• 原文分布在多个位置，只定位了其中一处。
• 切换不同 PDF 文件后，定位到了其他文档。

对于专业文档审查产品来说，这些问题会直接影响用户体验。

AI 发现问题只是第一步，用户能够快速核实问题，才是形成完整业务闭环的关键。

二、为什么 PDF 原文定位比想象中复杂？

PDF 与普通网页文档存在明显差异。

普通网页中的文本通常具有相对明确的 DOM 结构，而 PDF 更偏向固定版面的展示格式。

一个段落在 PDF 内部可能被拆分成多个文本片段，甚至每个文字都具有独立的位置数据。

因此，想实现精准定位，至少需要解决三个问题。

1. 文本内容与页面坐标的对应关系

假设 AI 引用了下面一段原文：

“施工过程中应按要求设置安全防护措施。”

系统不仅需要知道这段文字在哪一页，还需要知道对应的页面区域。

可以设计如下数据结构：

这里建议使用 file_id 绑定实际文档，而不是通过“图纸1”“附件2”等展示名称定位。

因为用户修改文件别名或者调整展示顺序后，文件标识不应改变。

2. PDF 页码与文档印刷页码可能不同

这是非常常见的定位问题。

例如：

某份 PDF 的前五页为封面、目录和说明，正文第一页实际位于 PDF 第六页。

此时会出现三种不同的页码：

• PDF 内部索引：5（从 0 开始）
• PDF 阅读器显示页码：6
• 文档正文印刷页码：1

如果系统直接使用 AI 识别到的印刷页码进行跳转，就可能发生偏移。

因此，建议将 PDF 内部页索引作为定位基准，印刷页码只作为辅助展示信息。

3. 原文可能被拆分为多个文本片段

例如：

原文为“专项施工方案应包含安全技术措施”。

但 PDF 文本解析结果可能是：

“专项施工方案应包含”

“安全技术措施”

如果系统采用简单的字符串完全匹配，就可能无法找到原文。

因此，需要引入文本归一化和跨片段匹配机制。

三、推荐的技术实现方案

对于基于 Web 的 PDF 文档审查产品，可以采用以下架构：

文档解析 → 文本与坐标关联 → AI 审查 → 证据位置匹配 → PDF 页面渲染 → 原文高亮。

第一步：解析 PDF 页面内容

可以使用 PDF.js 等工具提取 PDF 的文本内容及相关变换信息。

解析时重点保留：

1. 所属文件。
2. 页面索引。
3. 文本内容。
4. 文本片段顺序。
5. 文本对应的页面坐标信息。

需要注意，PDF.js 提供的文本变换信息不一定能直接当作完整文字边界框使用，复杂字体、旋转文字等场景可能需要额外计算。

如果 PDF 是扫描件，则需要先通过 OCR 获取文字及坐标信息。

对于 OCR 识别结果，还应保留识别置信度和对应图像区域。

第二步：建立文本与坐标的映射关系

建议在文档解析阶段，就建立文本片段到页面位置的映射。

例如：

某个文本片段包含以下信息：

• 文本：应设置相应安全防护措施
• 页索引：12
• 区域：x=120，y=340，width=260，height=24
• 页面尺寸：595×842

上述数字仅用于说明数据结构。

实际坐标可能采用 PDF 原生坐标系、视口坐标系或者自定义归一化坐标系，三者不能直接混用。

如果需要跨设备展示，可以考虑将坐标转换为相对于页面宽高的比例。

例如：

相对横坐标 = x / 页面宽度

相对纵坐标 = y / 页面高度

但前提是先统一坐标原点、旋转方向和页面裁剪区域。

这样，页面缩放时可以重新计算高亮区域位置。

第三步：AI 输出审查意见与证据内容

在 AI 文档审查中，不建议仅让大模型生成一个页码。

更可靠的方式是让 AI 返回：

• 问题描述
• 原文摘录
• 关联文件标识
• 参考页码
• 审查依据

系统再利用原文摘录，在文档解析结果中寻找实际位置。

原因是大模型生成的页码可能不准确，而原文摘录可以用于二次验证。

对于无法匹配的情况，应明确标记为“定位待核验”，而不是直接跳转到未经确认的页面。

第四步：在 PDF 阅读器中实现高亮

在前端使用 PDF.js 渲染页面时，可以在页面上叠加一个高亮层。

高亮层根据对应文本区域的位置绘制。

当用户点击某条审查意见时：

1. 获取该问题关联的文件 ID。
2. 切换至对应 PDF 文件。
3. 跳转至正确页面。
4. 滚动到问题所在区域。
5. 高亮对应文字。
6. 保持当前问题的选中状态。

如果一个问题涉及多个位置，可以通过“上一处”“下一处”切换定位。

需要特别注意 PDF 缩放、旋转和重新渲染后的坐标转换。

不应简单将首次渲染得到的屏幕像素位置永久保存，而应以文档坐标或经过规范化的坐标作为定位数据来源。

四、实际开发中容易遇到的四类问题

问题一：点击定位后，高亮框发生偏移

可能原因包括：

• 页面缩放比例发生变化。
• PDF 原始坐标与浏览器坐标混用。
• 页面存在旋转。
• 高亮层与 PDF 页面容器采用了不同的布局方式。

优化思路：

将高亮区域与 PDF 页面视口绑定，在缩放、旋转、窗口尺寸变化时重新计算高亮位置。

问题二：找不到 AI 引用的原文

可能原因包括：

• PDF 文本拆分。
• 多余空格或换行符。
• OCR 识别错误。
• AI 对原文进行了改写，而不是准确摘录。

优化思路：

优先进行文本归一化和连续片段匹配，并将匹配结果与文件、页码等信息交叉验证。

对于模糊匹配，应设置可信度门槛，避免系统高亮了内容相似但实际无关的段落。

问题三：切换文件后，当前问题发生变化

这通常属于前端状态设计问题。

例如，一个审查意见同时涉及施工方案和设计图纸。

用户点击“定位图纸”，只是希望查看对应证据，不代表要切换到另一条审查意见。

因此，建议将两个状态分开管理：

当前选中的问题与当前预览的文件。

用户切换证据文件时，当前问题应保持不变。

问题四：一条问题对应多个原文位置

例如，同一个技术参数在文档不同章节出现多次，并且存在不一致情况。

此时，单个页码或单个高亮框不足以展示全部证据。

建议采用：

一个问题对应多个证据位置。

每个证据位置独立保存文件、页面及坐标信息。

前端可以展示“证据 1/3”等位置切换信息，帮助用户依次核实。

五、如何验证 PDF 定位功能的质量？

建议不仅检查“是否跳转成功”，还要针对不同文档类型建立测试用例。

从产品验收角度，可以重点统计：

定位成功率 = 成功定位到正确证据区域的次数 / 有效定位测试次数 × 100%。

同时，还可以统计错误文件定位率、错误页码定位率及高亮偏移问题数量。

对于需要人工核验的模糊匹配，应单独统计，不应直接视为精准定位成功。

六、总结

AI 文档审查系统真正有价值的能力，不仅是生成一份看起来专业的审查报告，还包括让用户能够高效验证每一条审查意见。

要实现可靠的 PDF 原文定位，需要同时解决以下问题：

1. 文档解析与文本坐标关联。
2. AI 原文摘录与实际证据匹配。
3. PDF 页码和坐标转换。
4. 多文件、多位置的状态管理。
5. 原文高亮与定位失败处理。

从系统架构角度看，原文定位不应该只是前端增加一个高亮效果，而应该是一项贯穿文档解析、AI 输出、证据验证和前端交互的完整能力。

只有建立可靠的证据定位机制，AI 审查结果才能真正从“机器生成的意见”转变为“用户可以核实、判断和处理的问题”。