¿RAG soportará archivos PDF en el futuro?

[sam (Sam Saffron)]

Ahora esto es compatible y la documentación básica está disponible en:

PDF support in Discourse AI

This guide explains how to implement and use PDF processing capabilities within discourse-ai, including both basic text extraction and enhanced processing with LLM assistance. Required user level: Administrator Summary The discourse-ai plugin supports PDF processing for RAG (Retrieval-Augmented Generation) in two distinct modes: Basic text extraction Enhanced processing with LLM analysis Basic text extraction This mode provides fundamental PDF processing c…

Tenga en cuenta que el procesamiento mejorado requerirá cambios en el contenedor en este momento, ya que @featheredtoast / @tgxworld estaban en medio de la refactorización del soporte de ImageMagick y eliminamos el soporte de Ghostscript por error.

Esto se puede configurar manualmente, pero está más allá del alcance de lo que puedo publicar aquí, son pasos complicados, así que para aquellos que esperan el procesamiento mejorado, dennos unas semanas.

[Heliosurge (Dan DeMontmorency)]

@Saif

Uno de los desafíos del trabajo detrás de esto es la compatibilidad con PDF de todo tipo. Como puedes imaginar, algunos PDF son texto plano y fáciles de analizar. Sin embargo, hay algunos con fuentes personalizadas, imágenes, gráficos, formato no lineal, etc.

Puntos muy válidos. Además, algunos PDF, aunque tienen texto, son escaneos perezosos como archivo gráfico en lugar de texto real.