知识库切块怎么切：检索不准往往出在这一步

企业知识库答得不准时，常见的第一反应是换一个更强的模型。但在多数项目里，真正的瓶颈在更前面一步：如果检索出来的片段本身就不完整、或者根本没检索到对的内容，模型再强也只能在错误的材料上作答。

按固定长度切的问题

最简单的做法是每若干字符切一刀。它的问题是刀口落在哪里完全看字数：一条规定的条件部分在上一块、结论部分在下一块；一个表格的表头和数据行被分开；一句话从中间断掉。检索到其中一块时，关键信息恰好不在里面。

更合理的做法是按文档结构切：以标题层级为边界，一个小节一块；小节过长时再在段落边界细分。这样每一块本身是一个完整的意思单元，单独读也成立。

重叠窗口留多少

相邻块之间重叠一小段，可以缓解边界切断的问题。重叠过少起不到作用，过多则同一内容被反复检索出来，占满了上下文却没有新信息。常见的做法是重叠占单块长度的一成到两成，具体值应当用实际问题集测出来，而不是照搬默认配置。

表格和图片

• 表格尽量整块保留，并在块的开头附上表格标题与所属章节，否则检索到的是一堆没有上下文的数字；
• 大表格确实需要拆分时，每一块都要带上表头，不能只有数据行；
• 图片里的信息不会被检索到。关键信息如果只存在于流程图或截图里，需要补一段文字说明，否则这部分知识在库里等于不存在；
• 扫描件要先做文字识别，并抽查识别质量 —— 识别错误会直接变成错误答案的来源。

元数据不能丢

每一块都应当保留它的来源：文档名、章节、版本、生效日期。这有两个作用：回答时可以给出出处让人核对，以及可以按条件过滤 —— 比如只检索当前有效版本，而不是把三个版本的制度一起召回。

文档有多个版本却没有版本标记，是企业知识库最常见的错误来源。模型会在新旧两版之间给出一个看起来合理、实际是混合的答案，而这种错误很难被发现。

怎么验证切得好不好

准备二三十个真实问题，只看检索结果而不看最终答案：正确的片段有没有被召回、召回的片段是不是完整。这一步能把「检索问题」和「生成问题」分开，而分不开这两者，调优就只能靠换模型碰运气。相关的整体做法见企业知识库解决方案，实施节奏参考合作流程。