RAG 知识库文档解析与语料准备

先把资料变成可用内容

RAG 输入质量不仅取决于文本是否提取出来，还取决于阅读顺序、标题、表格和公式有没有保留。先选择有代表性的文档检查解析结果。

按文档结构设计切分

标题和分组可以辅助切分，表格与公式不宜随意截断。需要核对引用时，保留页面和元素位置信息。

为答案保留可追溯来源

每个片段保留文件、版本、页码与对应元素位置；重复的页眉页脚可结合结构化标记处理。表格需要连同标题、单位和脚注保存，避免检索命中一个脱离语境的数字。

用真实问题验证，而不是只数切片

准备几条业务中常见的问题，检查检索是否找到正确段落、表格与原页。将漏召回、阅读顺序错误和原文缺失分别排查，再决定调整切分方式还是回到解析阶段。

批量接入与质量复核

通过开放平台组织上传、任务查询和结果获取。对失败、异常页与重要数据建立复核流程，再进入索引与检索系统；解析成功并不自动代表答案质量已经达标。

如何开始

1. 确定资料类型与检索目标。
2. 使用解析 API 获取 Markdown 或结构化结果。
3. 核对并按结构切分，接入现有知识库。

常见问题