文档解析与切分：保留规则的上下文

文件不等于可检索知识

星桥手作社把手册导出为一份带表格的文件。人看到第一行是纸艺体验，第二列是六人，但系统如果把表格按错误顺序展开，可能读成陶土体验六人。文档解析是把文件中的文字、标题、表格和位置变成便于处理的内容。扫描页还可能需要文字识别。解析并不是随便复制一遍文字，必须检查结构有没有变形。对小白而言，先用人工阅读和复制检查，比立刻研究复杂模型更有效。

切分为什么要考虑语义

切分是把长资料拆成可检索的片段。片段过大，检索时会带入大量无关内容；片段过小，一条规则的条件和结论可能被拆开。例如手册写：普通纸艺每桌最多六人；大型合作拼贴经指导员安排可使用独立长桌。只取前半句会把例外遗漏，只取后半句又会丢掉默认规则。按标题、段落和条款边界切分，通常比机械每隔固定字数切一刀更容易保留意义，但也要检查超长段落。

把元数据当成资料标签

元数据就是描述资料的附加标签，例如文件名、章节、版本、生效日期、片段编号、访问范围与原文位置。这些标签不必全部展示给用户，却能帮助过滤和追溯。假设旧版手册每桌八人，新版改成六人，没有版本标签时，系统可能把两段混在一起。文档标题和章节标题可以加入片段文本，让单独检索到的条款仍能知道自己讨论的是纸艺还是陶土。日期应来自资料维护流程，不能让模型凭空补全。

一个具体切分示范

原文有三个标题：活动安排、座位规则、工具归还。我们先按标题分段，再将座位规则的默认上限与例外说明保留在同一个片段，编号为座位二。片段附带手册第二版、公开可读、座位规则章节等标签。工具归还单独编号为工具三。遇到表格时，给每行补上表头含义，例如活动类型为纸艺，人数上限为六人。这样即使只取到一行，读者也知道六人描述的是哪一个属性，而不是把数字当作任意备注。

重叠、重复与验收

相邻片段可以少量重叠，用来保留跨边界的连接，但重叠不是越多越好。重复过多会让搜索结果挤满同一句话，减少证据多样性，也增加上下文成本。实际操作时先挑三段代表性内容：普通段落、带例外的规则和表格，人工对照解析结果。检查数字、否定词、单位和例外是否保留，再测试几个问题能否直接从片段找到答案。不要把切分长度当成唯一优化目标，最终目标是让检索到的片段仍足以支持正确判断。