为什么你的知识库答非所问：切片的 5 种死法

先分类，再改

把所有答错的问题过一遍，分成四类。不同类的改法完全不同，混在一起讨论只会得出「换工具」这种结论。

死法一：跨段切断

固定长度切片最容易把一句完整的话切成两半。用户问「报销上限是多少」，召回的片段是「……上限为 500 元」，但前面那句「差旅住宿」被切到上一个切片里了。模型拿到半句话，只能猜。

• 改法：按段落/标题切，不按字符数切；每段保持「一段一义」。
• 改法：切片带前后各 100 字重叠（overlap），给模型补上下文。
• 验收：随便抽 10 个切片，看每一段单独拿出来是否读得懂。

死法二：整表塞入

一份报价表 50 行，被切成一个 2000 字的切片。用户问「A 产品第三档价格」，模型要在 50 行里找一行——准确率可想而知。表格问答几乎都不是检索问题，是结构问题。

• 改法：表格按行转成结构化文本（每行一条，带列名），或转成 JSON/CSV 存，检索时按行召回。
• 改法：表头必须进入每个切片，否则模型不知道「500」是价格还是数量。
• 验收：问 10 个跨行问题，看能不能稳定定位到具体行。

死法三：标题和层级丢失

切片只留正文，不留「这是哪份文件的第几节」。后果：模型不知道这句话的适用范围，也不知道来源。企业场景里，不能溯源的答案等于不能用。

• 改法：每个切片带元数据：文件名、章节路径、生效日期、版本状态。
• 改法：回答时强制返回引用片段和来源路径。
• 验收：随机抽 10 个答案，看能不能点回原文。

死法四：旧版本被召回

同一份制度有 v1、v2、v3 三个文件，全部进了库。检索时三份都召回到，模型随机挑一个——很可能挑到旧的那份。这比答不出来更危险，因为用户会信。

• 改法：文档头部加 status，只让 active 进检索索引；archived 移出或降权。
• 改法：更新文档时重建受影响的分片，别只上传新文件。
• 验收：问一个「最近改过的政策」，答案必须是新版。

死法五：重复与冲突

同一份内容有四个副本：邮件里的、群文件里的、网盘里的、文档库里的。改了一处，其余三处还是旧的。检索时命中哪一份全看运气。

• 改法：建立「唯一入口」，其余副本标记废弃并归档。
• 改法：入库前去重（按内容哈希或标题相似度）。
• 验收：问同一个问题三次，答案必须一致。

四类文档的切片策略

怎么验证改对了

不要用「感觉好多了」验收。用固定的 20 题（含 5 个负样本）跑前后对比：召回率、引用准确率、负样本拒答率。20 题自测表就是这个用途，测完你会知道该先改哪一层。