夜雨聆风RAG检索不准，问题往往不在模型，而在分块。从文档解析到知识增强，四步走通RAG全链路，每一步都有坑，踩中一个就全崩。
01 文档解析——把死文件变活数据
一份PDF丢进RAG系统，出来的可能是一堆乱码。
文档解析是RAG的第一道门槛，也是最容易被低估的环节。
Word文档结构清晰，转成DOCX后直接提取文本即可；PDF就复杂得多——扫描件要靠OCR识别文字，版面要靠DLR区分标题段落，表格要靠TSR还原行列关系。
两条路径殊途同归：最终都变成可检索的语义化文本块。
当前主流工具有两类——DeepDoc走视觉+语义混合路线，每种格式单独处理；MinerU走统一转换路线，所有格式先转MD/JSON再解析。
选哪条路，取决于你的文档类型有多杂。
02 分块策略——切错一刀，检索全崩
分块是RAG的精度天花板。切太大，噪声淹没信号；切太小，上下文碎片化。
七种策略各有战场：
固定大小切块是无结构文本的兜底方案，简单粗暴但语义常被截断；
滑动窗口靠重叠保上下文，代价是冗余翻倍；
基于句子切块粒度最细，适合语法完整的新闻和法条；
递归切块通用性最强，优先保大语义单元，是大多数场景的稳妥起点；
页面/结构化切块适合有明确标题章节的文档；
语义切块用向量计算找话题边界，最智能但计算成本最高；
Small2Big不切块但补上下文——检索用小块，生成用大块，命中后向邻居或父块回溯，拼接去重后再喂给大模型。
03 索引构建——给知识装上搜索引擎
分好块的知识还需要可搜。
两条索引路径并行：一条走文本分词到倒排索引，擅长关键词精确匹配；另一条走Embedding向量化到向量索引，擅长语义相似度检索。
向量检索常用HNSW（速度和精度的平衡选择）、IVF（大规模数据的分区策略）或Flat（小规模精确搜索）三种算法。
两条路最终汇聚成混合检索——先关键词粗筛，再语义精排，检索召回率显著提升。底层数据库选型看规模：小项目用FAISS够用，生产级推荐Milvus或Qdrant。
04 知识增强——检索不准的三味药
分块再精细，检索仍会断章取义。三种增强方案对症下药：
上下文增强索引——给每个原始块补上前后文（各50-200字），检索命中即可带回局部背景，解决断章问题；
块标题增强(CCH)——把文档标题、章节标题拼到块前面再嵌入，每个块自带层级信息，检索时语义对齐更精准，对无标题段落可用LLM自动生成小标题；
问题生成增强——用LLM为每个块生成2-5个相关问题，和块一起嵌入，用户提问直接匹配问题再定位到原文，解决问法与写法不对称的核心痛点。
05 价值闭环——分块决定RAG天花板
RAG四步走完，回看全链路：文档解析把死文件变活数据，智能分块定精度天花板，索引构建让知识可搜可达，知识增强弥补检索与生成的语义鸿沟。四步环环相扣，分块是基石，索引是骨架，增强是引擎。踩准每一步，RAG才能真正从能用走向好用。核心一句话：分块决定上限，增强决定下限。
【免责声明】1.本文所有信息仅供参考，不做任何商业交易或提供医疗服务的根据。2.我们致力于提供合理、准确、完整的资讯信息，但不保证信息的完整性、正确性和合理性，且不对因信息的不专业、不准确或关键信息缺失导致的所有损失承担责任。3.部分文章信息来源于其它渠道，对其观点或内容的真实性保留意见。如有侵权，请及时联系。