说到底，想让扣子知识库真正理解你的文档、精准召回信息，可不是上传完成就万事大吉那样简单——这背后是一套环环相扣的准备工作。分段逻辑错了、清洗规则太松、字段还没对齐，后续提问时，模型大概率会答非所问，甚至漏掉最要紧的关键点。

上传前必须做的三件事

先打开那份原始文档，用记事本或Word看一眼它的真实结构。如果全文就是纯段落堆叠，没有一点标题层级，就别硬选「按标题分段」——选了也是白费功夫。反过来，如果每一段都带着编号，像「1.」「②」「（三）」这种，那它们就是天然的分段标识符，一定要在清洗页面里手动填进去。

接着，把文档里所有无关内容清干净。页眉页脚、重复出现的水印、扫描件OCR留下的乱码、编辑备注括号（比如【待确认】）、作者署名行，这些通通得删。它们混在正文里，会污染向量切片，让模型误判语义边界，结果就是召回内容变得莫名其妙。

清洗前还有一个关键动作：务必另存为UTF-8编码的TXT文件。这个习惯要养成，特别是当原文来自微信公众号复制粘贴、Notion导出或PDF OCR时，那些隐藏的格式控制符（比如零宽空格、软回车）最容易导致分段错位，而且肉眼根本看不见，排查起来很头疼。

分段设置实操指南

进入知识库创建流程，上传文件后点击「下一步」，在「数据清洗」页面操作。

方法一：自动分段（适合结构清晰的长文）
直接启用「自动分段与清洗」，系统会按语义断句。但有一个坑必须留意：如果原文的平均段落长度明显偏短，比如全是三十字以内的要点罗列，自动模式会把它们硬凑成一个大段落，这样一来，信息的精细度就全毁了。

方法二：自定义分段（推荐用于笔记、SOP、FAQ类内容）
关闭自动模式，分段标识符填「。！？；」，分段最大长度设为300，勾选「去除空白行」，然后点击「预览分段效果」。你会看到每句话独立成块，检索时单句命中率远高于拼接段落。

方法三：强制按换行分段（仅限纯文本清单）
标识符填「n」，最大长度留空，预处理规则中取消勾选「合并连续空白行」。这招专治从Excel复制过来的条目列表，确保每一行都是一个独立的知识点，不会被吞掉换行符。

字段对齐：让知识库记住“这是什么”

当你要上传多份同类文档（比如10篇产品说明书）时，必须统一字段结构。进入「添加文档」页面后，先别急着点「上传」，先点一下「添加字段」：

① 第一个字段：字段名填「适用机型」，类型选「单行文本」，值来源选「从文档中提取」→ 在弹窗里输入正则表达式 适用机型[:：]\s*(\S+)，然后测试提取结果是否准确；

② 第二个字段：字段名填「故障代码」，类型选「多行文本」，值来源选「手动填写」→ 后续每上传一份说明书，都补上对应的代码列表；

③ 第三个字段：字段名填「更新日期」，类型选「日期」→ 手动填入文档的实际发布日，不是你上传当天的日期。

需要特别强调的是，字段一旦保存，后续所有上传的文档都必须填写完整。如果有文档没填全，它在知识库中就无法被按字段过滤或排序，等于半废状态，白白浪费了上传的功夫。

验证召回效果的两个动作

等到知识库状态变成「已就绪」，别急着接入Bot。先做两件事，验证一下效果。

在知识库详情页点击「测试查询」，输入一个冷门但明确的术语——比如文档里只出现过一次的某个型号缩写。看看返回的片段是否包含上下文完整的句子，而不是孤零零的一个词。这个测试能直观地告诉你，模型是否真的理解了文档的语义边界。

然后，打开「分段管理」页，随机点开3个分段，检查顶部显示的「来源文档名」和「位置」是否真实存在。如果显示的是「unknown_001」或者页码为0，那就说明原始文件的编码或结构有问题，必须退回第一步重新处理。这一步虽然简单，但能帮你省下后续大量的排查时间。