附录 D · 一条完整管线：腾讯中报端到端

待办（2026-10-14）· 待写：这是册子相对连载的真正增量——博客是分篇的，册子可以承载一条从头到尾的连续案例。需要作者从自己的流水线里导出，不由整理生成。

待收编内容

从 119 页腾讯 2025 中报到最终答案，一条能跑的链路：

1. pdftotext -layout 出 raw.txt（正文约 80%）
2. 清洗：页眉页脚 / 目录页 / 纯页码 / 分页断句 → cleaned.txt，保留 ===== PAGE n ===== 标记
3. pdfplumber 提取规则表格；MinerU 或多模态截图啃竖向合并与跨页表格
4. 结构识别 → TextBlock（paragraph / table / header / list）
5. TextBlock 层打 metadata → 合并为 chunk（period_type 切换强制 flush）
6. 建索引：向量 + BM25 双写
7. 在线：约束提取 → metadata 硬过滤 → hybrid 召回 → rerank → prompt 组装 → 生成

建议附的三样

• 四层产物的实际数字（正文各篇给过 282KB / 190KB / 327KB / 345 个 chunk，标注为待核实）
• 一份可复制的配置文件或脚本骨架
• 一条「换一份新报告要改哪些地方」的清单——这是读者真正会用的东西

备注

正文里这条管线的每一段都已分别讲过（原 #02–#05、#09、#10），本篇不重复讲原理，只把它们拼成一条能跑的线。