先别急着上向量库

很多人做 RAG，一上来就问：用哪个向量库？切多少字？相似度阈值设多少？但真正决定效果的，往往不是检索那一步，而是前面那句最土的话：文档有没有被读明白。

如果你的资料是 Word、PDF、扫描件、课件截图、表格混排，直接丢给模型切块，结果大概率是“看起来能跑，问起来乱答”。RAG 不是把文件塞进知识库，而是把文件还原成可被机器理解的知识单元。

Word 和 PDF 不是一类东西

Word 的优势是结构相对清楚。标题、段落、表格、列表、批注、页眉页脚，大多能被程序直接识别。所以处理 Word 时，重点不是 OCR，而是保留层级：一级标题下面讲什么，表格属于哪个小节，某个定义对应哪段解释。

PDF 麻烦得多。电子版 PDF 可能有文字层，但阅读顺序不一定对；扫描版 PDF 本质上是图片，需要 OCR；双栏排版、页码、水印、脚注、表格跨页，都会把内容打碎。很多 RAG 项目答得差，不是模型笨，是 PDF 被解析成了一锅粥。

正确流程是“先还原，再切片”

一个实用的文档 RAG 流程，可以分五步走。

第一步，先给文档分类：Word、电子 PDF、扫描 PDF、图片型资料，不同类型走不同解析链路。别用一个方案硬吃所有文件。

第二步，抽取内容时保留来源信息。至少要有文件名、页码、标题层级、段落位置、表格标题。以后模型回答时能引用出处，用户才敢信。

第三步，做结构感知切片。不要机械按 500 字切。政策文件按条款切，课程讲义按知识点切，面试题按“题目 + 答案 + 解析”切，表格按行或主题切。一个好切片应该能独立回答一个小问题。

第四步，检索不要只靠向量。向量适合语义相近，关键词适合专有名词、年份、编号、法规条款。更稳的做法是关键词检索 + 向量检索 + 规则召回，再用重排模型筛一遍。

第五步，给 OCR 和解析结果做验收。随机抽 20 个问题，看答案是否引用到正确页码；抽几张扫描件，看错别字、漏行、表格错位是否严重。没有验收集，RAG 迟早变成玄学调参。

普通人怎么落地

如果你是内容或教育从业者，不用一开始就搭很重的系统。先把资料分成三类：干净 Word、可复制文字的 PDF、扫描件。前两类优先自动入库，扫描件先做小范围测试，不要全量盲灌。

再建一个“入库清单”：资料名称、类型、解析方式、是否有表格、是否需要人工复核、典型问题。这个清单比炫技更重要，因为它能告诉你哪些资料适合自动化，哪些资料暂时不值得折腾。

最后记住一个判断：RAG 的本质不是“让 AI 读很多文件”，而是“让 AI 在正确结构里找到正确证据”。文档解析做扎实，后面的检索、重排、生成才有意义。