随着大规模对话模型的蓬勃发展，越来越多从文档中检索信息回复用户问题的需求出现。
在以往的RAG中，PDF类型的文档通常被看作为纯文本使用，使得模型总结回复的过程中无法获取到PDF中文本以外的内容。
本文主要有三点贡献：
- 将PDF文档视为结构化对象而非纯文本；
- release一份数据集
- 提出一种提示模型的方法
PDFTriage回复用户问题包括3个步骤：
- 生成document metadata
- 使用LLM从文档中筛选出相关内容
- 基于检索到的内容生成回复
生成document metadata
使用Adobe Extract API将PDF转换为类似HTML的树结构，可以从中获取到章、节、标题、表、图、段落等，作者将解析出的信息以JSON格式存储。
LLM筛选相关内容
作者设计了fetch_pages、fetch_Sections、fetch_table,fetch_figure和retrieve等方法。
Function : Description
fetch_pages : Get the text contained in the pages listed.
fetch_sections : Get the text contained in the section listed.
fetch_figure : Get the text contained in the figure caption listed.
fetch_table : Get the text contained in the table caption listed.
retrieve : Issue a natural language query over the document, and fetch relevant chunks.
这些方法通过GPT的Function Calling调用，得到的结果会被写入进Prompt当中。
生成回复
Prompt如下：
You are an expert document question answering system. You answer questions by finding relevant content in > the document and answering questions based on that content.
Document : (texual metadata of document)
方法大概就是这样了。