安全分类器与能力路由：用 RAG 可审计链路重构大模型文档处理

截至 2026 年 8 月 19 日，本次内容检索使用了“AI news August 19 2026”“大模型最新进展 2026年8月19日”“artificial intelligence news today August 19 2026”等带日期关键词，并进一步关注 8 月 18 日的技术动态。当前运行环境的公网搜索返回 Network is unreachable，无法对当天网页新闻完成在线交叉验证；因此本文不虚构未核验的公司发布或产品数据，而是基于本地 8 月 18 日已记录的安全分类器技术脉络，提炼一个对 AI 产品更有长期价值的主题：大模型如何从“会回答”走向“知道该用什么能力回答”。

为什么单一大模型架构正在失效

很多 AI 产品的早期架构都很直观：用户上传文件，系统把文本放进上下文窗口，再调用一个能力最强的模型生成结果。它在演示中效果很好，但一旦进入真实的企业文档环境，三个问题会迅速暴露。

第一，所有请求都使用同一档模型，成本和延迟不可控。简单的页码抽取、标题识别、格式转换并不需要长链路推理，却可能被送入最昂贵的模型。第二，所有文档都使用同一种输出自由度，合同、财报、病历与普通宣传册共享一套生成策略，风险边界自然模糊。第三，系统往往只检查输入，却不验证最终答案是否真正来自文档，导致“看起来合理”的幻觉混入交付结果。

安全分类器和能力路由的价值，是把模型调用从一次性的函数调用升级为策略决策。系统先判断任务意图、文档敏感度、用户权限和证据要求，再决定使用哪个模型、哪些工具以及允许输出到什么程度。

四层架构：分类、策略、执行、审查

一个可生产化的实现可以拆成四层：

1. 输入分类器：识别任务类型，例如 OCR、版面恢复、表格抽取、摘要、问答或改写；同时估计敏感信息密度和潜在风险。 2. 策略引擎：将分类结果映射为模型、检索范围、工具权限、最大输出长度和人工审核条件。 3. 主模型与工具链：负责具体执行。低风险任务可走高速模型；需要事实依据的任务必须绑定 RAG；高风险任务则限制自由生成。 4. 输出审查器：检查答案是否存在无引用结论、超出证据范围的推断、敏感字段泄露和不符合格式的内容。

关键点在于，降级不等于失败。风险升高时，系统可以从“自动生成结论”降级为“原文抽取 + 页码引用”，从“自动调用外部工具”降级为“生成待确认草稿”。用户仍然得到可用的中间结果，系统也保留复核路径。

分类器最难的指标是误报率

安全系统不能只追求“拦截得更多”。如果用户只是想把一份包含医疗术语的 PDF 转成 Word，分类器却因为关键词命中而拒绝转换，产品会失去可信度。反过来，分类器过于宽松，也会让模型在敏感文档上生成未经证实的判断。

因此，评测应同时报告误报和漏报，并按任务拆分，而不是只给出一个综合准确率。面向 PDF 的测试集至少要覆盖扫描件、混合语言、复杂表格、页眉页脚、图片文字、低清 OCR 以及模糊任务描述。还应单独记录分类器是否正确识别“处理文件”和“解释文件”的区别：前者通常是低风险转换，后者可能涉及事实判断和决策建议。

工程上可以把分类置信度作为路由信号。高置信度的普通转换直接进入高速路径；中间区域采用受限输出；低置信度请求保留文件解析结果，但把生成动作交给人工确认。这样比简单地设置一个全局阈值更符合真实业务，因为不同任务的错误代价并不相同。

RAG 不只是检索增强，而是审计链路

在文档场景中，RAG 的核心价值不是让模型“知道更多”，而是让每个结论都能回到来源。一个合格的引用单元不应只有一段文本，还应包含文档版本、页码、段落或表格坐标、切片策略和召回分数。生成阶段要求答案绑定这些证据；审查阶段则验证答案中的关键断言是否能在证据片段中找到支持。

这会带来一个重要的系统反馈：如果回答没有引用，或引用片段与结论的语义距离过大，输出审查器可以自动降低结果等级，改成“候选答案”或“原文摘录”。对于 PDF 转 Word，源页标记还可以作为隐藏元数据保留在转换后的段落中，使用户在编辑文档时仍能追溯到原始页码。

对我们PDF文档处理的意义/启示

1. 上传后先识别任务，再选择模型

同一个 PDF 可能对应完全不同的请求。格式转换、目录提取和表格导出适合高吞吐路径；摘要、问答和条款重写则需要检索和引用。路由器应围绕任务而不是文件名选择模型，避免所有场景都调用同一套昂贵能力。

2. 把能力降级设计成连续工作流

遇到高敏感文档或低置信度请求时，保留 OCR、版面还原、表格识别、逐页翻译和 Word 导出，关闭无依据推断、自动外发和批量执行。用户不会因为一个高风险环节被阻断而失去全部处理结果。

3. 将页码和坐标引用做成基础设施

页码引用不应只是问答页面上的装饰字段。摘要、字段抽取、表格识别和转换结果都应保存来源信息。对产品来说，这意味着数据模型需要把“内容”和“来源”分开存储，前端也要提供从结果跳回原始页的入口。

4. 用真实修正数据校准路由策略

记录用户修改、人工审核结论、引用缺失和输出回退原因，并按文档类型建立持续评测集。每次策略更新同时观察质量、延迟、成本、误报率和漏报率，避免为了降低某一项风险而牺牲整个工作流的可用性。

结语

大模型应用的竞争重点正在从单次生成质量转向系统级的可控性。安全分类器回答“这是什么任务”，能力路由决定“应该开放多少能力”，RAG 提供“结论来自哪里”，输出审查器确认“结果是否越界”。四者结合后，AI 文档处理系统不再依赖一个无所不能的模型，而是形成一条可以观察、降级、复核和持续优化的工程链路。

对于 PDF 产品，这条路线尤其适合落地：文件本身提供了稳定证据源，页码和版面提供了天然的可追溯坐标。下一步的关键不是盲目扩大上下文窗口，而是把任务分类、模型选择、证据绑定和结果审查真正接入处理流水线，让智能化带来效率，同时保留专业文档所需要的准确性和责任边界。