文档进入 RAG 知识库前，怎样整理才便于检索？

保留一份可追溯的原文

为文件记录标题、业务主题、版本、维护人和来源位置。处理后的文本应能对应到原文件；格式转换出现错误时，可以回查，而不必重新寻找资料。

重复内容应确认哪个版本有效，再决定归并。草稿、正式版与历史说明可以分开管理，不应因为相似就混成一篇。企业内部沿用的产品简称也应对应正式名称。

让句子和表格保留完整含义

去除页眉页脚时，检查它们是否包含版本或适用范围。表格转成文本后，要让每一行仍能看出列标题与单位。只有“30、50、80”这样的数字序列无法支持可靠回答。

对扫描件进行文字识别后，重点检查型号、金额符号、上下标和断行。对于重要图示，补充简短说明与原图位置，不把视觉信息全部压成一段没有结构的文字。

用问题验证整理结果

整理完先挑几个目标问题，检查员工能否只依据这些资料找到答案。如果人工都无法确定来源，直接导入知识库通常也不能自动形成一致的企业知识。

首次处理可以保留一小组不同类型文件，观察导入后的标题、段落和引用位置。确认结构合适，再批量处理相近资料；这样能够避免大范围重做。本文建议为编辑与检索准备方法。

用一份说明书检查信息有没有丢失

整理时保留原文件和页码，逐项对照型号、单位、表头、脚注与例外。将有疑问的识别内容留为待确认，先用问题验证可定位性，再让企业资料负责人批准批量导入。