很多做文档处理的同学都有一个错觉压缩不就是把文件挤小吗管它什么格式丢给一个压得狠的工具就行。真到 OFD 和扫描件上合规场景这个错觉会让人栽跟头。 OFD 压缩后验章报警、扫描件压完文字糊成一团喂给大模型直接浪费 token——这些都不是小概率事件。这篇从工程视角把三件事讲透本地压缩是怎么保住印章和签名的、为什么在本机跑对合规是硬要求、以及压缩为什么能直接降低大模型的调用成本。先说 OFD 的结构。它和 PDF 走的是两套路子OFD 是咱们的版式文档国家标准版式固化、可带数字签名底层是版式描述加签名的组合。所谓版式固化是指它在任何设备上打开都长一个样不会因为字体缺失或渲染引擎不同而跑版。而数字签名是挂在底层结构上的它保证这份文件从签发到归档没被篡改。压缩工具一旦去动这个底层结构——比如把图层重排、把对象重新序列化——签名验证就会失败验章环节直接报警。这也是为什么通用在线压缩常常把 OFD 压坏它们的算法是为开放的 PDF 生态设计的并不尊重 OFD 的签名机制。正确的做法是在保留字形和数字签名的前提下去掉冗余图层。OFD 是矢量版式里面大量内容是可以无损简化的——重复的版式描述、未使用的资源引用、冗余的绘制指令这些才是体积的大头而不是印章和文字本身。把冗余层削掉文件变小了但版式坐标、字形轮廓、签名块都原样保留验章自然能通过。一句话总结工程原则压缩只优化冗余数据绝不触碰底层版式结构。扫描件走的则是另一条技术路线因为它本质是图片堆叠。一页 A4 扫成 300dpi 就能吃掉几 MB几百页合同直接上 G。这类纯图像内容靠的是图像降噪和智能重采样文字区域保边、保留锐度空白区域用更激进的压缩比。关键是区分信息区和非信息区把算力花在保住可读性的地方而不是无差别地全局压。压完之后文字清晰度守得住体积却能肉眼可见地掉下来。那为什么非得在本机跑这背后是合规的硬约束不是性能偏好。电子会计凭证有四性要求真实性、完整性、可用性、安全性。压缩若把印章压花了真实性破功把数字签名弄断完整性也站不住——这两性直接在压缩环节就被决定了。而安全性这条对财务、法务、档案这些部门来说第一关就是数据不能出内网。把文档丢给在线工具光数据出内网这一条就过不了关更别提在线服务一旦留存了你的文档后续责任归属都说不清。不少政企单位在信创环境里压根不允许文档上公网审计和保密条线对出网是零容忍的。所以本地优先不是情怀是这些场景里绕不开的底线。从部署方式上看本机运行的方案还有个附带好处敏感信息检测可以顺带在本地做完。身份证号、合同金额这类字段不用先传出去再处理压缩流程里就能识别并标记。对财务月结、审计调阅这类动辄上千页的场景先压一轮、顺便做完敏感信息检测再走后续流程人等文件的时间能短一大截数据还始终待在内网。再聊和大模型相关的部分这可能是很多人没算过的一笔账。RAG检索增强生成在喂文档给模型之前其实有个清洗环节文档太大上下文装不下检索也慢。扫描件作为图片喂给多模态模型时是按图像 token 计费的。图片类内容按 GPT-4o 口径测算压一轮之后 token 成本能省下 85.9%把扫描件喂给大模型做抽取或问答时开销直接砍掉一大截而问答质量反而更稳——因为噪声少了、分辨率分配更合理了。这背后的逻辑是压缩不是单纯变小而是把无效像素和冗余图层剔除让真正承载信息的部分以更低成本进入上下文。把视角拉到企业存储层面这件事的性价比更高。Komprise 的客户调研给过一个数字企业 NAS 上有 60%—70% 的数据超过 90 天没被访问却占着最贵的主存储。这里头大量是历史扫描件和 OFD 归档压一轮能腾出可观空间又不耽误合规调阅。存储成本降了审计时还能照样验章两头都占。把这套逻辑接到 RAG 流水线会看得更清楚。典型的企业知识库是入库前清洗—向量化—检索—生成清洗这步如果先把扫描件和 OFD 压一轮后续向量化的文本更干净、图像 token 更少检索召回也更准。反过来如果文档又大又脏地直接进库不仅存储和调用都贵模型还容易被噪声带偏。压缩因此不是边缘优化而是喂给模型之前必做的预处理。再往深里说合规场景里不出网这条线往往要贯穿整条链路而不只是压缩这一步。扫描件要抽章、要识别金额这些动作如果放到公网模型上等于敏感字段又出了一次内网。所以更稳的做法是把压缩、敏感信息检测、乃至初轮抽取都放在本机完成只有完全脱敏的摘要才往外走把数据不出内网这道闸嵌进流程里不必单独再搭一道。选型时我建议大家用一套通用框架去看而不是盯着某一个工具宣传的压缩率维度该看什么保真压缩后印章是否花、数字签名是否断、版式是否跑出网文件是否全程在本机完成会不会离开内网计费订阅还是买断长期成本怎么算适用场景是发不出邮件、传不上云还是桌面乱成山、找不到最新版回到开头那个问题OFD 和扫描件到底怎么压才不丢章工程答案很清楚——尊重格式结构OFD 保签名、扫描件保文字边压缩只动冗余层坚持本机运行把四性里的真实性和完整性留在自己的设备上完成再借压缩把喂给大模型的 token 成本压下来。这三件事串起来才是合规场景下真正稳的文档处理链路。最后补一个容易踩的合规细节全面数字化电子发票已全国推广合规的报销入账归档格式是带数字签名的 XML 结构化文件PDF 或 OFD 的打印件不能单独作为归档依据。所以当你手上的 OFD 只是打印预览件时压缩它之前要确认它只是预览、不是归档件别把合规动作做岔了。《档案法》修订后电子档案和纸质档案有同等法律效力单套制归档可行——这也意味着电子件压坏了没有纸质版救场保真这一步必须做在前头。