AI guides

阿里面试官冷笑:"5000 份文档扔进去就算建好知识库了?难怪你的 RAG 答非所问。" 我无言以对...

By 吴师兄学大模型0 viewsSource: 吴师兄学大模型
阿里面试官冷笑:"5000 份文档扔进去就算建好知识库了?难怪你的 RAG 答非所问。" 我无言以对...

大家好,我是吴师兄。 之前有个学员面阿里的 NLP 岗,简历上写着"搭建了基于 RAG 的企业知识问答系统"。面试官翻着简历问: "你们知识库有多少文档?什么格式?" 他说:"大概 5000 份,PD

The full text has not been translated yet. The Chinese original is shown below.

大家好,我是吴师兄。

之前有个学员面阿里的 NLP 岗,简历上写着"搭建了基于 RAG 的企业知识问答系统"。面试官翻着简历问:"你们知识库有多少文档?什么格式?"

他说:"大概 5000 份,PDF、PPT、Word 都有,还有一些扫描件。"

面试官接着问:"那你的离线解析是怎么做的?文档扔进去就完事了?"

他说了句"用 PyPDF 提取文本,然后按 512 token 切分",面试官冷笑了一下:

"PDF 多栏排版你怎么处理的?表格结构丢了怎么办?切分的时候把一段完整的理赔流程从中间切断了,检索的时候能召回完整信息吗?"

他愣住了。

这个场景我见过太多次了。很多人做 RAG 项目,90% 的精力花在在线检索和模型选型上,却忽略了最基础的一环——离线解析和知识库构建。

真相是:你的知识库质量,决定了 RAG 系统效果的上限。后面的检索再精准、模型再强大,如果喂进去的文档本身就是一坨乱码或者切分得支离破碎,那就是经典的 "Garbage in, Garbage out"。

今天我就把训练营里关于离线解析模块的内容给大家系统梳理一遍。

一、离线解析到底在干什么?

很多人对"离线解析"的理解就是"把文档变成文字",这只对了 20%。

完整的离线解析流程其实包含五个步骤:多格式文档解析 → 内容清洗与规范 → 文本分块(Chunking) → Embedding 向量生成 → 索引构建与存储。每一步都有坑,每一步出问题都会导致后续链路全崩。

我在训练营的实战项目中,用的是一个金融保险公司的真实场景——5000 份不同格式的文档,包含 PPT、PDF、纯文本、扫描图片甚至视频,用户的问题涉及报销制度、销售策略、产品信息、理赔流程等各种类别。

这个场景下,离线解析面临的挑战比你想象的复杂得多。

文章配图

二、多格式文档解析:第一个大坑

坑一:PDF 多栏排版解析错乱

这是实战中最高频的问题。很多保险公司的理赔流程指南采用双栏排版,左栏写步骤,右栏写具体要求。

传统 PDF 解析工具(比如 PyPDF2)是按行从上往下读的,它根本不理解"栏"这个概念。结果就是左栏第一行和右栏第一行被拼到一起,变成:

理赔流程 申请人需提交以下材料:事故发生后,尽快联系保险公司 - 身份证复印件

这样一坨东西,语义完全混乱。用户问"理赔需要提交哪些材料",检索系统根本无法从这堆乱文本中精准匹配到"材料提交"的部分。

正确做法是引入版面分析(Layout Analysis)技术。先识别出文档的物理布局——哪些区域是左栏、哪些是右栏、哪些是表格、哪些是页眉页脚——然后按逻辑结构而非文本顺序提取内容。推荐使用 MinerU 或 Marker 这类专门做文档解析的工具,它们内置了版面分析能力,能正确处理多栏、表格等复杂布局。

坑二:OCR 把表格和代码全毁了

扫描版 PDF 必须走 OCR,但普通 OCR 对结构化内容的还原能力很差。

在我们的实战项目中,有一份保险产品对比表,原始格式是这样的:

| 险种 | 最高赔付 | 免赔额 ||------|---------|-------|| A款 | 500,000 | 5,000 || B款 | 300,000 | 3,000 |

OCR 处理后变成了:

险种 最高赔付 免赔额 A款 500000 5000 B款 300000 3000

表格结构完全丢失,所有数据串成一行。如果用户问"A款的免赔额是多少",检索系统很难从这行流水账里准确提取答案。

代码块也是重灾区。一段 Python 代码经过 OCR 后,缩进丢了、括号没了、关键字都变形了:

# 原始代码def calculate_payout(amount, deductible):returnmax(amount - deductible, 0)# OCR 后def calculate payout(amount deductible)returnmax amount - deductible 0

优化方案:对表格区域做专门的表格识别,按单元格顺序输出并保留结构化格式;对代码块设置 OCR 保持换行和空格格式。整体建议使用 PaddleOCR 配合版面分析,先检测区域类型(文字/表格/代码/图片),再分别用针对性策略处理。

坑三:PPT 里的图片信息直接丢了

PPT 是另一个容易出问题的格式。python-pptx 能提取文本框里的文字,但对嵌在图片里的文字完全无能为力。

在项目中,有份产品说明 PPT,关键信息"保障范围:重大疾病、意外伤害,最高赔付额度:500,000 元"是做在图片里的。传统解析直接返回空,这部分知识就从知识库中彻底消失了。

解决办法:对 PPT 中的图片元素,先提取出来做 OCR 识别,把图片中的文字也纳入知识库。同理,视频类文档需要先做语音识别(ASR)得到字幕文本,再按内容语义分段入库。

三、文本分块:看似简单,实则最容易翻车

解析完文档拿到了干净文本,接下来就是分块(Chunking)。这一步直接决定了检索的精度——块切得好不好,比你选什么 Embedding 模型都重要。

固定长度切分:最简单也最粗暴

很多教程教你"按 512 token 固定切分",这是最偷懒的做法。它的问题在于完全不管语义边界,可能把一段完整的理赔流程从中间切开。

比如一段文档讲的是"特殊情况处理:交通事故需提供交警事故责任认定书;重大疾病保险理赔需提供住院病历",如果刚好在"交通事故需提供交警事故"这里被切断,那用户问"重大疾病理赔需要什么材料"时,这个 chunk 里根本没有完整信息,还跟"特殊情况处理"这个上下文断开了,检索系统也无法识别它属于特殊情况的一部分。

正确姿势:规则 + 语义融合切分

在我们的实战项目中,采用的是三层切分策略:

第一层:基于文档结构的规则切分。利用章节标题、段落换行、列表项、表格边界等自然结构作为切分点。检测到新章节或新列表就开启新 chunk。表格和代码块整段作为一个 chunk,绝不中途截断。

第二层:语义连贯性检查与调整。规则切完后,检查相邻 chunk 的语义连贯性。如果某个 chunk 过短且和前后内容语义紧密相关(比如上一个 chunk 以冒号结尾、内容未完结),就跟相邻 chunk 合并。跨页的段落如果下页开头不是新章节标题,也应该合并为同一 chunk。

第三层:长度平衡。在保证语义完整的前提下控制 chunk 长度。过长的按语义次级节点再拆分,过短的与相邻内容补充合并。最终每个 chunk 都是自包含、主题聚焦的一段内容。

另外还有一个关键细节——重叠窗口(chunk overlap)。上一个 chunk 的最后两三句话同时出现在下一个 chunk 的开头,保留块与块之间的连续性,避免硬切分导致的上下文断裂。

文章配图

四、层级标签:大多数人忽略的隐藏大招

分块做好了,很多人就直接算 Embedding 入库了。但这样做丢掉了一个极其重要的信息——文档的层级结构。

在训练营的实战项目中,保险公司的文档都是有清晰层次的:一级标题是"报销政策",下面二级标题有"差旅报销""医疗报销""通讯报销"等。如果你在分块时把"差旅报销上限 5000 元"这段内容切出来,但不记录它属于"报销政策 > 差旅报销"这个层级路径,那检索的时候就少了一层上下文。

层级标签的做法是:在解析阶段捕获文档的层次结构,维护一个层级栈。比如检测到"1 总则"是一级标题,"1.1 范围"是二级标题,就把当前 chunk 标记为"总则 > 范围"。检索时,这些标题词也会参与索引匹配,用户搜索"差旅报销"不仅能匹配到 chunk 内容本身,还能通过层级标签匹配到相关 chunk。

除了层级标签,还建议给每个 chunk 打上内容类别标签——标记它是"表格""代码块"还是普通文本,属于"政策条例"还是"操作指南"。以及来源标签——记录来源文档名、页码、幻灯片编号等,方便检索命中后追溯原文,也方便在生成答案时标注引用出处。

这些元数据看起来不起眼,但在检索阶段可以用来做元数据过滤。比如用户问"昨天发布的报销制度有什么变化",系统识别出时间约束"昨天"后,就可以在检索时用发布时间过滤,大幅缩小候选范围,提升命中精度。这个能力的前提就是离线阶段已经把这些元数据标好了。

五、模块联动:离线质量如何影响全链路

很多人把离线解析和在线检索当成两个独立的事情来做,这是大忌。实际上它们之间的联动关系非常紧密,离线阶段的每一个决策都会在在线阶段产生连锁反应。

chunk 大小要配合 LLM 上下文窗口

chunk 切多大,不是拍脑袋决定的。你得考虑:LLM 的上下文窗口能放多少个 chunk?

块太大,一个 chunk 可能就占了几千 token,LLM 一次只能放两三个片段,覆盖面就很窄。块太小,虽然每个 chunk 更精确,但语义残缺,召回阶段需要拼凑更多片段才能凑出完整答案,容易触发上下文窗口限制,而且信息散乱会干扰模型理解。

理想的 chunk 长度需要通过实验,在召回准确率和生成效果之间取得平衡。

元数据质量决定检索过滤能力

前面讲了,离线阶段存储的层级标签、内容类型、发布时间等元数据,在在线阶段可以用来做精准过滤。如果离线阶段偷懒没打这些标签,在线阶段想过滤都没法过滤,只能靠纯语义匹配硬撑,效果自然差。

解析质量直接影响 Embedding 质量

如果 OCR 把表格解析成了一行乱码,就算你用最好的 Embedding 模型去编码,得到的向量也是"乱码的语义表示"。后续无论用向量检索还是 BM25,都不可能准确匹配到用户的问题。

这就是为什么我在训练营里反复强调:离线解析是 RAG 的地基,地基打不好,上层建筑再漂亮也是空中楼阁。

六、面试怎么说?

如果面试官问你"离线解析模块是怎么做的"或者"知识库是怎么建的",你可以这样展开:

先讲挑战。我们项目有 5000 份多格式文档,包含 PDF(多栏排版、扫描版)、PPT、纯文本甚至视频。主要挑战是多格式统一解析、OCR 对表格和代码的还原、以及分块时保持语义完整性。

再讲方案。解析层面,我们针对不同格式做了针对性处理——PDF 用版面分析技术处理多栏和表格,扫描件用 PaddleOCR 配合区域检测,PPT 对图片元素做 OCR 补充提取,视频走 ASR 转字幕。分块层面,采用规则+语义融合的三层切分策略,配合 chunk overlap 保持连续性。同时给每个 chunk 打上层级标签、内容类型和来源元数据,支持在线阶段的精准过滤。

最后讲效果和联动。chunk 大小通过实验配合 LLM 上下文窗口调优,元数据标签在检索阶段支持按时间、来源、类型等维度过滤,整体提升了召回的准确率。我们用解析失败率、平均 chunk 长度等指标监控离线流程质量,持续迭代优化。

这样回答,从挑战到方案到效果,有实战细节有系统思维,比干巴巴地说"用 PyPDF 提取再固定切分"强十倍。

文章配图

写在最后

RAG 系统的优化,很多人一上来就盯着 Rerank、混合检索这些"上层"技术,却忽略了离线解析这个"地下室"。

但实际上,我在项目中踩过的最深的坑,全都出在离线阶段——PDF 解析错乱导致检索结果语义混乱、固定长度切分导致关键信息被切断、缺少元数据标签导致无法做时间过滤......这些问题在在线阶段根本补救不了。

记住一句话:RAG 系统效果不好,先别急着换模型、调参数,先回去看看你的知识库是不是一团糟。

如果这篇文章对你有帮助,欢迎转发给同样在做 RAG 项目的朋友。有问题可以在评论区交流,我会尽量回复。

文章来自于微信公众号 "吴师兄学大模型",作者 "吴师兄学大模型"

Related topics

After reading

Join the AINRK community

Read how to join the community and connect with people working in AI.

Community information (opens in a new tab)