企业知识库问答是最常见的 AI 落地场景之一。很多团队发现：模型换来换去效果提升有限，真正的瓶颈在数据处理和检索。

【一、文档预处理决定上限】
- 格式解析：PDF 中的表格、页眉页脚、多栏排版很容易被解析乱。建议抽查解析结果，必要时针对不同文档类型使用不同解析器。
- 清洗：去掉重复的免责声明、目录页、无意义的导航文本。
- 元数据：保留文档标题、章节、更新时间、权限标签，后续可用于过滤和引用。

【二、切分（Chunking）策略】
- 固定长度切分：简单，但可能把一句话或一个表格切断。可设置一定重叠（overlap）缓解。
- 按结构切分：按标题、段落、条款切分，语义更完整，推荐优先使用。
- 块大小的取舍：太小会丢失上下文，太大则检索不精准、浪费上下文。没有通用最优值，需要用评测集对比几个候选设置。
- 给每个块附上所属文档和章节标题，能显著改善“只看片段不知所云”的问题。

【三、检索调优】
- 混合检索：向量检索擅长语义相近，关键词检索（如 BM25）擅长型号、编号、专有名词，两者结合通常更稳。
- 重排序（Rerank）：先召回较多候选，再用重排模型精选少量给大模型。
- 查询改写：把口语化问题改写为更适合检索的形式，或拆分为多个子问题。
- 权限过滤：在检索阶段就按用户权限过滤，而不是生成后再处理。

【四、生成阶段】
- 要求“仅根据提供的资料回答，资料不足请说明”。
- 要求输出引用来源，方便用户核对。

【五、评估要分两段】
分别评估检索（正确文档是否被召回）和生成（答案是否忠实于资料）。只看最终答案，很难定位问题出在哪一环。

讨论：
1. 你们的 chunk 大小和重叠是怎么确定的？
2. 表格和图片类内容，你们是怎么处理的？