LlamaParse PDF 转 RAG 教程：扫描件、表格、页码与解析质量验收

这篇教程会完成什么

把一组已授权 PDF 解析为可核查的文档内容，并为 RAG 准备带文件版本和页码的证据。最终得到解析结果、失败页清单、30 个带页码的问题答案，以及一张每千页成本表。教程只描述可复现的试点流程，不声称已经在读者账户中运行；真实账单、区域和模型结果要在你自己的环境核对。

开始前准备

注册 LlamaCloud/LlamaParse 账户，创建 LLAMA_CLOUD_API_KEY。选择公开或已经获得处理授权的样本：5 份原生 PDF、5 份扫描 PDF、5 份带跨页表格或脚注的长文档。给每份记录来源、许可、版本、页数、日期和文件哈希。将 30 个问题的人工答案与正确页码单独保存，其中包括“文档没有答案”和“旧版、新版冲突”。

上传客户或员工资料前，先核对账户所在 US/EU 区域、数据保留、子处理方与合同。官网将企业私有 VPC 部署单列，不能把它当作 Free 或 Starter 的默认属性。

第一步：先做小样本 Parse

安装官方 Python SDK，并把密钥存入受控环境变量：

python -m pip install llama-cloud
export LLAMA_CLOUD_API_KEY="在本机密钥管理器中取得的值"

下面的核心调用按官方 Parse 入门示例组织；把文件名换成你的已授权样本，运行前再对照当前 SDK 文档确认参数。不要把实际密钥写进脚本或文章。

from llama_cloud import LlamaCloud

client = LlamaCloud()
source = client.files.create(file="sample.pdf", purpose="parse")
result = client.parsing.parse(
    file_id=source.id,
    tier="agentic",
    version="latest",
    expand=["markdown"],
)
for page_no, page in enumerate(result.markdown.pages, start=1):
    print(page_no, page.markdown[:200])

先用 1–2 页观察输出，确认它识别了列头、单位、负数、脚注和阅读顺序，再跑全组。不要直接把打印出的 Markdown 当最终资料；应保存完整结果、配置、文件哈希和处理时间。若文件含隐私信息，不把原文写入开放日志。

第二步：逐页验收而不是只看整篇

建立“页码—问题—人工答案—解析片段—错误类型”表。扫描件检查 OCR 漏字、字符混淆；表格检查列头、跨页续表和单位；合同检查条款编号与脚注。将错误分为文字识别、版面顺序、表格结构、缺失页面和无答案。只对失败页面或文档试更高精度档位，比较提升与 credits 增量。新版本模型或配置上线前，重新跑同一组样本，防止旧问题回归。

第三步：建立可检索索引

若要快速验证完整链路，可参考官方 Index v2：先把文件加入 Directory，再创建 Index，系统会执行解析、切分、嵌入和索引，然后用 Retrieve/Chat 检索。若已有自建向量库，也可只取解析结果，在自己的管线中切块、保存页码与版本元数据。无论哪条路线，都要保证每个 chunk 能追到原件与页码，并按原文权限过滤检索结果。解析正确但索引漏召回，不应归咎于 OCR。

第四步：做回答验收和成本核算

对 30 个问题逐条记录：应答/拒答、检索召回、答案正确、引用文件与页码正确、是否越权、人工修正时间。只有答案和引用同时正确才算通过；对于文档无答案的题，模型猜测要计为失败。单独核算 Parse、Extract、Index 与后续模型的 credits 和费用，按“通过验收的问答数”及“有效解析千页数”两种单位汇报。官网美国套餐 Free 10,000 credits/月、Starter $50/月含 40,000、Pro $500/月含 400,000；不同档位消耗不同，不能预设每页固定价格。