一、项目背景

这家客户是大型制造集团，内部制度库和工艺文档加起来上千份，很多是上百页的 PDF，章节嵌套深，表格跨页，还到处是"详见具体章节"这种引用。他们最早上 RAG 的时候，切片按固定字数硬切，结果跨页表格被拦腰斩断，章节引用断了线，检索出来的片段答非所问，员工问一个审批流程，系统回了一段完全不相关的采购条款。那段时间内部吐槽很多，说这个知识库还不如自己翻 PDF。我们接手时，第一件事就是把切片逻辑整个推翻重做，因为切片质量直接决定了后面检索和生成的上限。

我们进场前他们已经换过两版切片方案，第一版按五百字切，第二版按一千字切，跨页问题一直没解决，员工对知识库的信任度已经很低，很多人宁愿自己翻原文档也不信检索结果。集团知识库每年还在涨，新制度不断进，旧的又不删，混在一起体量越来越大，切片质量如果不解决，后面的重排和生成再怎么调都白搭。

二、落地场景

新的方案先做版面解析，把 PDF 的标题层级、表格、段落结构还原出来，重建一份文档树。切片不再按字数，而是顺着文档树的章节边界切，保证每一块都是语义完整的。遇到跨页表格和跨页引用，我们做还原和回链，把被截断的表拼回原样，把"详见某某"指回具体章节。向量入库的时候带着层级路径和引用关系，检索时不仅能命中片段，还能顺藤摸瓜拿到上下文。员工提问后，系统给出的答案会带上出处章节链接，不用再自己翻原文档核对。这套东西跑起来后，内部使用率明显上来了。

文档树重建后，我们在检索结果里直接带上章节面包屑，员工点一下就能跳到原文档对应位置核对，这个交互比单纯给一段文字让人放心。跨页表格还原后，员工问一个参数表，系统能完整返回那张表而不是半截。引用回链让“详见某章”不再断线，答案里能顺着引用摸到上下文，使用率因此明显回升。

三、关键技术挑战与解决思路

版面结构还原是第一步也是最容易翻车的地方，不同厂商导出的 PDF 结构差异很大，有的标题是真正的样式，有的是纯靠字体大小伪装的，我们做了规则加模型的两层判定，先按样式识别，识别不出的用版面模型兜底。语义边界分块防截断，我们放弃了固定窗口，改为沿章节节点切，但节点过长也会超模型上下文，所以设了上限，超了就在子节点再细分。跨页引用还原最麻烦，我们建了一张引用映射表，把"详见"类表述解析成目标章节 ID，检索时一并召回。长文档索引成本也要管，层级路径做了裁剪，只保留必要上下文，避免向量库被无效信息撑爆。

我们在版面解析上做过一次失败尝试，纯靠字体大小判断标题，结果一份用统一字号排版的文档全识别错了，后来才加上样式加模型的两层。语义边界分块设上限也很关键，有的章节本身就有三四千字，硬切会超上下文，我们在子节点再细分但保留父路径，保证碎片也能溯源。长文档索引成本这块我们做了层级裁剪，只保留必要上下文进向量，库体积没爆。

四、效果数据

切片命中率从原来固定切片的不到六成提升到九成左右，关键是跨页和引用的还原补齐了之前大量丢失的语义。检索准确率提升约三成，员工问流程类问题基本能拿到正确章节。跨页引用还原率能做到九成五以上，这部分是之前完全缺失的能力。入库耗时因为多了版面解析环节，单文档平均多了几秒，但在可接受范围，毕竟质量提升换来的是使用率翻倍。我们复盘时确认，切片这一层的投入产出比最高，比换更好的重排模型见效还快。

内部使用率从低谷回升到接近改造前最好水平的两倍，说明切片质量直接决定了用不用。跨页引用还原率九成五，这部分是之前完全缺失的。入库耗时单文档多了几秒，但我们做了批量并行，整体入库吞吐没受明显影响。我们复盘时把切片和重排的贡献分开测了，切片单独带来的准确率提升比重排还大。

五、可复用经验总结

分块不能只看字数，得顺着文档树的章节边界切，跨页引用一定要回链原节，这两点我们是用一堆答非所问的 bad case 换来的。版面解析别迷信单一规则，真实文档千奇百怪，规则加模型兜底才稳，我们早期纯规则方案在三分之一的文档上直接翻车。向量入库别把整棵文档树都塞进去，层级路径裁剪得当，检索质量不降反升。下一步想把表格结构化抽取单独成一条流水线，让跨页大表能被直接查询而不是只做还原。

案例片段（已脱敏）： 文档树分块片段：解析出 H1-H3 层级后，以 H2 为最小切片单元，单元超 1500 字则在 H3 下再细分；"详见具体章节"经引用映射解析为目标节点 ID 并打标。某 120 页工艺文档，旧方案跨页表丢失 11 处，新方案还原 10 处，引用回链准确率 96%。检索 top5 命中率由 58% 升至 91%。

版面解析别迷信单一规则，真实文档千奇百怪，我们三分之一文档在纯规则下翻车才加上模型兜底。切片上限加子节点细分这个平衡，是避免超上下文又不丢溯源的关键，别图省事一刀切。向量入库做层级裁剪，库不会被无效信息撑爆，检索质量还不降。下一步把表格结构化抽取单独立流水线，让大表能被直接查而不是只还原。