先把文档弄对，再谈模型。
先别急着换模型
检索效果差，很多时候问题不在向量模型，而在文档本身进了错误的形态：PDF 解析丢了表格、标题层级被压平、一段话被切成半句。
这些错误一旦进入索引，后面用什么模型都救不回来。先做下面五个检查点。
检查点一：解析是否忠实
· 表格是否还在（很多解析器把表格压成一行文本，行列关系全丢）；
· 标题层级是否保留（用于后续按结构切分）；
· 页码/页眉/页脚是否被误当正文（噪声会污染检索）；
· 公式、代码块是否保留原始形态。
做法：抽 20 页人工比对解析结果与原文，统计"信息丢失/错位"的比例。这个数字比任何模型指标都先要过关。
检查点二：切分是否保住语义
· 不要按固定字数硬切；优先按标题、段落、列表切；
· 长段落再按句子切，并保留上下文重叠（一般 10%~20%）；
· 表格与代码块尽量整块保留，不要横切；
· 每块带上"来源路径"（文档标题 → 章 → 节），便于引用与回溯。
检查点三：块的大小分布
统计每块的字数分布：如果出现大量 20 字以下的小块（碎片）或上万字的巨块，检索都会变差。
经验区间：200~800 字为主，碎片合并、巨块再切。
检查点四：元数据是否够用
检索常常需要先筛后搜："只看 2024 年之后的、只看 A 产品的"。
块上要带可筛选字段（时间、来源、分类、版本），否则只能靠相似度硬碰。
检查点五：检索结果能不能被引用
· 命中块要能回到原文位置（章节锚点或页码）；
· 块内不要有多余的解析残留（页眉重复、断行错乱）；
· 引用时展示原文片段，而不是模型改写。
一个最小验收流程
1. 抽 20 页比对解析忠实度；
2. 抽查 30 个块的切分质量（是否半句、是否丢标题）；
3. 画块长度分布图；
4. 用 20 个真实问题测召回，先看命中块对不对，再谈答案好不好；
5. 记录每一次解析器/切分规则的变更与对应指标。
本文由云枢 AI导航整理，内容以官方来源为准。
相关文章
顺序阅读
← 上一篇：把 AI 输出接到业务系统：三种接线方式与各自代价
下一篇：AI 功能的埋点与看板：该记录哪些字段 →
第 17 / 171 篇