文档切分

把长文档拆成大小合适的小块再建索引，切法直接决定了之后能检索到哪一段。

同样是「上传一份 PDF 问问题答不准」，很多人先去怪模型，其实第一步该看切分。切分是知识库效果最容易被忽略的一环，也是最不该省的一步。

像给一本书做书签：如果一刀切下去正好把一段话劈成两半，读者按书签找过去就永远读不懂。

把一学期的教研方案丢进知识库，按固定字数硬切后提问「期中以后如何分层布置作业」，召回的多半是半句话；改成按标题层级和段落边界切，并让相邻块有少量重叠，答案通常立刻变得可用。

• 误解：切得越碎检索越准。 事实：碎块会丢掉上下文，答案可能缺前提；过大又混进无关内容，同样干扰判断。

• 误解：块大小是唯一要调的参数。 事实：切分依据（标题、段落、表格）、重叠长度、是否保留标题层级同样关键。

• 误解：切好一次就不用再管了。 事实：资料更新后要重新切分和建索引，这一步常被忘掉，导致检索仍命中旧版本。

• 误解：表格和扫描件也能照常切。 事实：表格被横向切开就会错行，扫描件得先识别成文本再切，否则基本无效。

• 检索增强生成先把你的资料切成片段建索引，提问时先检索出相关段落，再连同问题一起交给模型作答的方案。
• 嵌入（向量表示）把文字、图片等对象映射成一串能衡量语义距离的数值，意思越接近，这串数值在空间里就靠得越近。
• 语义检索不比对关键词，而是按意思的接近程度找出最相关的资料，让换一种说法也能搜到同一条内容。
• 文字识别把图片、扫描件、拍照件里的文字识别出来变成可复制、可检索的文本，多数「看图」功能都从这一步开始。