RAG 系统的上限由检索质量决定，而检索质量在很大程度上取决于知识库的组织是否清晰、规范。混乱的文档结构、随意的命名和缺失的分类，会导致检索召回大量噪声，直接拉低回答的准确率。本节从工程落地角度出发，给出可立即执行的知识库建设规范。
1. 文档结构规范
1.1 粒度控制：以“自包含知识点”为单位组织文档
每个独立文档（或上传的单个文件）应聚焦于一个主题或一个职能领域，避免将毫不相关的内容塞进同一份文档。例如：
- 将《员工手册》《差旅政策》《加班制度》分开存放，而不是合并为《公司规章制度大全》。
- 将《X 产品技术规格书》和《X 产品故障排查指南》分为两份文档，即使它们属于同一个产品。
这样做的好处是：检索时相似度计算更聚焦，不会因为一个文档涵盖过多主题，导致匹配到的文本片段在语义上与问题相关性偏低。
1.2 内部层级：善用标题与分节
大篇幅文档应使用层级分明的标题（如一级标题、二级标题），形成清晰的目录结构。在分块（chunking）时，可以将标题信息附加到每个片段元数据中，提升检索精度。
实用模板：
# 文档总标题（如“年假管理政策”）
## 1. 适用范围
## 2. 年假天数计算规则
### 2.1 入职当年计算方式
### 2.2 跨年结转规则
## 3. 申请与审批流程
## 4. 特殊情况处理这样，当用户问“入职不满一年怎么算年假”时，带有 ## 2.1 标题前缀的片段更容易被检索到，模型也能根据层级信息生成更准确的回答。
1.3 格式：优先选用纯文本或 Markdown
避免直接使用扫描 PDF、图片类内容，或排版极度复杂的文件作为知识库输入。优先选用：
- Markdown（.md）
- 纯文本（.txt）
- 经过 OCR 并校对后的干净文档
- 结构化表达清晰的 Word 或 Google Doc（转成 Markdown 或纯文本后再入库，以减少无关格式符号干扰）
表格内容应整理为可读的键值对形式或保留清晰的表格文本，确保切分后各片段仍能独立理解。
2. 命名规范
2.1 文件命名：一眼可知内容与版本
良好的命名能让维护人员快速定位文档，也能在溯源时为最终用户提供有意义的信息。推荐格式：
[类别标识]_[主题]_[版本号].[扩展名]示例：
policy_annual-leave_v3.md（政策类，年假政策，第 3 版）product_X200-spec_v1.md（产品类，X200 规格书，第 1 版）qa_faq-shipping_v2.md（问答类，配送 FAQ，第 2 版）
如果需要区分日期，可在主题后加入 YYYYMMDD 格式的日期：
notice_20250215_salary-adjustment_v1.md
2.2 片段元数据中的名称字段
文档入库时，将规范化的文件名称记录在元数据中，作为 source 或 doc_title 字段。回答引用出处时，就使用这个名称，而不是文件系统的随机 ID 或原始杂乱文件名。例如，回答中可以显示：
参考来源：《年假管理政策 v3》（政策类）
而不要显示 197234.pdf 或 未命名文档.docx。
3. 分类标准
3.1 按功能维度分类（建议作为主要分类方式）
根据企业知识的使用场景，可以划分出以下典型分类，每个分类定义清晰，互相不重叠：
- 政策与制度类：考勤、福利、薪酬、合规、信息安全等公司级正式政策。
- 产品与业务类：产品技术规格、用户手册、销售话术、价格表、服务说明。
- 操作流程类：各类办事指引、系统操作 SOP、审批流程说明、故障处理手册。
- FAQ 与常见问题类：从客服工单中提炼出的高频问答对，可直接用于检索和回复。
- 公告与通知类：时效性较强的临时通知，如节日安排、活动说明、紧急变更等。
3.2 添加分类标签
在实际入库时，为每个文档片段打上 category 标签（元数据字段）。这样做可以实现分类过滤检索：当用户提问可以通过意图识别确定属于某个类别时，仅在对应分类下搜索，极大减少无关召回。
例如，一个关于“年假怎么申请”的问题，可以设定只检索 category = 政策与制度 和 category = 操作流程，忽略产品规格或临时公告，从而提高命中精度。
3.3 时效性标记
对于存在有效期的文档（如活动公告、临时政策），建议增加时间区间元数据：
effective_start：生效日期effective_end：失效日期
检索时可过滤掉已过期的内容，确保 RAG 不会引用旧版本。如果向量数据库不支持复杂过滤，至少应在文档标题或正文首行明确注明“本政策有效期至 2025‑12‑31”，并在入库环节辅以人工定期清理。
4. 维护与迭代建议
- 专人负责审核与更新：明确知识库维护责任人，任何文档变更需经责任人确认后再入库，防止错误信息污染。
- 变更日志：每个文档头部或元数据中记录本次修订的要点，方便后续追溯为何更新、更新了什么。
- 版本淘汰：旧版本不直接删除，而是移入归档库，并停止在实时检索中召回。这样万一需要核对历史回答，仍有据可查。
通过上述文档结构、命名和分类的规范，知识库将从杂乱无章的信息堆砌，变为一个可维护、可过滤、可追溯的可靠知识源。这层“内功”虽然不起眼，但往往是决定 RAG 系统能否稳定运行、能否被团队长期维护的关键所在。