参考资料

• LangChain Document loaders
• LangChain Text splitters

参考资料

• LangChain Retrieval
• Milvus 文档

文档切分（04） - 知识库 Loader 与 Splitter：解析契约、清洗和分块验收

读完后，你应能完成以下任务：

• 绘制“RAG（12） - 知识库 Loader 与 Splitter：解析契约、清洗和分块验收 / Loader 的产物不只是字符串”的关键对象与数据流，解释“Loader 负责读取来源并尽量保留结构；”，并用源码位置、日志或 Trace 标注证据。
• 为“RAG（12） - 知识库 Loader 与 Splitter：解析契约、清洗和分块验收 / 不同来源的解析重点”设计正常与异常输入，验证“代码缩进、否定词、表格表头和错误码大小写不能按普通空白处理。”，输出首个偏差位置与回归测试结果。
• 实现“RAG（12） - 知识库 Loader 与 Splitter：解析契约、清洗和分块验收 / 结构优先的分块流程”的最小代码或配置，检验“先按标题、条款、函数、表格等结构形成语义单元。 -> 单元超出 Token 上限，再按段落、句子和字符递归降级。 -> 小块继承标题路径、页码、来源、版本、租户和 ACL。 -> 生成稳定 ID 和内容哈希，支持重复执行、更新与删除。”，输出命令、结果与 Diff，并说明不适用边界。

更新日期：2026/08/11

一、先建立全局：知识库 Loader 与 Splitter：解析契约、清洗和分块验收 是什么？

理解“知识库 Loader 与 Splitter：解析契约、清洗和分块验收”，先要把标题中的对象放进同一条处理链：它接收什么输入，经过哪些状态变化，最终用什么证据判断结果。下表不另造概念，只把作者正文已经解释的章节按依赖顺序连起来。

“知识库 Loader 与 Splitter：解析契约、清洗和分块验收”的第一个核心判断是：Loader 负责读取来源并尽量保留结构；。先弄清这个判断中的对象和输入输出，后面的实现、故障和验收才有共同语境。

顺序	章节	读完本节应抓住的结论
1	Loader 的产物不只是字符串	Loader 负责读取来源并尽量保留结构；
2	不同来源的解析重点	代码缩进、否定词、表格表头和错误码大小写不能按普通空白处理。
3	结构优先的分块流程	先按标题、条款、函数、表格等结构形成语义单元。 -> 单元超出 Token 上限，再按段落、句子和字符递归降级。 -> 小块继承标题路径、页码、来源、版本、租户和 ACL。 -> 生成稳定 ID 和内容哈希，支持重复执行、更新与删除。
4	稳定 ID 与幂等	不要只使用 document_id#序号：文档头部插入新段落后，
5	分块质量验收	解析成功率、空文档率、乱码率和 OCR 失败率。
6	常见故障与修复	引用回不到原文：Loader 丢了页码或 URI，修解析契约，不要让模型生成来源。

1.1 核心对象之间怎样衔接

flowchart LR
  S1["Loader 的产物不只是字符串"] --> S2
  S2["不同来源的解析重点"] --> S3
  S3["结构优先的分块流程"] --> S4
  S4["稳定 ID 与幂等"] --> S5
  S5["分块质量验收"]

这张图只表达本文的讲解顺序，不替代正文机制。判断“知识库 Loader 与 Splitter：解析契约、清洗和分块验收”是否真正掌握，需要能从最后一个结果沿图回到前面每个章节的输入、状态变化和证据。

1.2 再看失败：问题最早会出现在哪一步？

在“知识库 Loader 与 Splitter：解析契约、清洗和分块验收”的对象和顺序已经明确后，再看可观察的失败：解析丢内容、正确 chunk 未召回、过滤误删、重排掉出或引用不支持结论。定位时不从最后一条错误猜原因，而是沿上图找第一个偏离正文结论的节点。

二、Loader 的产物不只是字符串

Loader 负责读取来源并尽量保留结构； Splitter 负责把规范化 Document 变成可检索证据。 两者分开，才能独立更换 PDF 解析器和分块策略。

三、不同来源的解析重点

来源	必须保留	常见污染
PDF	页码、坐标、标题、表格、图片说明	页眉页脚、双栏错序、OCR 乱码
Markdown	标题树、列表、代码围栏、链接	导航目录、构建标记
HTML	正文 DOM、标题、URL、更新时间	菜单、广告、推荐和 Cookie 文案
Word	标题级别、表格、批注/修订策略	样式文本混入正文
数据库	主键、字段名、更新时间、权限	只导出展示值而丢字段语义

清洗只删能证明无业务价值的内容。 代码缩进、否定词、表格表头和错误码大小写不能按普通空白处理。

四、结构优先的分块流程

1. 先按标题、条款、函数、表格等结构形成语义单元。
2. 单元超出 Token 上限，再按段落、句子和字符递归降级。
3. 小块继承标题路径、页码、来源、版本、租户和 ACL。
4. 生成稳定 ID 和内容哈希，支持重复执行、更新与删除。
5. 小块保留 parent_id，在线命中后可回取完整父块。

固定字符切分可以作为数据流 Demo，但不应成为所有格式的统一生产方案。

五、稳定 ID 与幂等

不要只使用 document_id#序号：文档头部插入新段落后， 后续序号全部变化， 会产生大量无意义删除与重建。

六、分块质量验收

抽样阅读不可少，自动指标至少包括：

• 解析成功率、空文档率、乱码率和 OCR 失败率。
• Chunk P50/P95 Token、超限率和过短率。
• 句子/代码围栏截断率、标题继承率、表格破坏率。
• 重复 Chunk 率与稳定 ID 冲突率。
• 来源、页码、ACL 等必填 Metadata 缺失率。
• 用标注问题评估不同策略的 Recall@K，而不是只比较块长。

七、常见故障与修复

• 引用回不到原文：Loader 丢了页码或 URI，修解析契约，不要让模型生成来源。
• 检索总命中页眉：在解析阶段基于跨页重复率移除页眉页脚。
• 条款只召回结论不召回例外：按条款结构切，或命中后扩展邻居/父块。
• 更新后旧块仍存在：用文档版本计算新旧 ID 差集，并对所有索引执行删除。
• 权限串用：ACL 从 Document 到 Chunk 全程继承，并在写入前做非空校验。

八、动手验证：先跑通 知识库 Loader 与 Splitter：解析契约、清洗和分块验收，再改变一个变量

前面的章节已经建立问题、概念和机制。现在把“知识库 Loader 与 Splitter：解析契约、清洗和分块验收”放进同一套基线中运行；本节不再引入新术语，只验证前文结论能否被复现。

8.1 基线与候选只允许一个变量不同

验证“知识库 Loader 与 Splitter：解析契约、清洗和分块验收”时，先固定标注查询集、原文与 chunk 快照、Embedding 和索引版本、权限身份。候选方案只能改变本次要验证的变量；如果同时更换数据、依赖和配置，即使结果改善，也不能知道是哪一项产生作用。

执行“知识库 Loader 与 Splitter：解析契约、清洗和分块验收”时，动作是：依次回放解析、切分、召回、过滤、重排、上下文组装和引用生成。原始结果不能只保留截图或汇总分数，必须同步保存：原文位置、各路候选、分数、过滤前后 Diff、Recall@K、NDCG、引用和 Trace，使下一次复查可以在同一输入上重放。

实验要素	本文要求
固定条件	标注查询集、原文与 chunk 快照、Embedding 和索引版本、权限身份
唯一变量	本次候选方案与基线之间的一项明确差异
原始证据	原文位置、各路候选、分数、过滤前后 Diff、Recall@K、NDCG、引用和 Trace
通过阈值	正确证据可召回可回链，无答案时拒答，权限过滤不泄漏其他主体资料
立即停止	解析丢内容、正确 chunk 未召回、过滤误删、重排掉出或引用不支持结论

8.2 执行前先排除不可比较条件

“知识库 Loader 与 Splitter：解析契约、清洗和分块验收”开始前先确认下面四项；任一项不成立，都应先修复实验条件，而不是解释结果。

• 基线能够在“知识库 Loader 与 Splitter：解析契约、清洗和分块验收”的当前环境重复运行。
• 候选只改变一个与“知识库 Loader 与 Splitter：解析契约、清洗和分块验收”结论直接相关的条件。
• “知识库 Loader 与 Splitter：解析契约、清洗和分块验收”的基线和候选使用同一批输入、同一版本依赖与同一通过阈值。
• “知识库 Loader 与 Splitter：解析契约、清洗和分块验收”的原始输出和失败现场不会被重试、格式化或汇总覆盖。

8.3 执行后先核对证据完整性

结果出来后先检查证据，再讨论“知识库 Loader 与 Splitter：解析契约、清洗和分块验收”是否通过。缺少中间状态时，最终输出只能说明现象，不能证明机制。

检查项	当前文章的判定
输入可追溯	标注查询集、原文与 chunk 快照、Embedding 和索引版本、权限身份
过程可回放	依次回放解析、切分、召回、过滤、重排、上下文组装和引用生成
结果可审计	原文位置、各路候选、分数、过滤前后 Diff、Recall@K、NDCG、引用和 Trace

“知识库 Loader 与 Splitter：解析契约、清洗和分块验收”的一次合格基线对照按以下顺序执行：

1. 保存“知识库 Loader 与 Splitter：解析契约、清洗和分块验收”基线版本及输入摘要，确认基线本身可以重复运行。
2. 写下“知识库 Loader 与 Splitter：解析契约、清洗和分块验收”候选方案唯一变化的变量，以及它预期影响的指标。
3. 在同一环境执行“知识库 Loader 与 Splitter：解析契约、清洗和分块验收”：依次回放解析、切分、召回、过滤、重排、上下文组装和引用生成。
4. 为“知识库 Loader 与 Splitter：解析契约、清洗和分块验收”保存：原文位置、各路候选、分数、过滤前后 Diff、Recall@K、NDCG、引用和 Trace。
5. 使用“知识库 Loader 与 Splitter：解析契约、清洗和分块验收”预登记条件判断：正确证据可召回可回链，无答案时拒答，权限过滤不泄漏其他主体资料。
6. 如果“知识库 Loader 与 Splitter：解析契约、清洗和分块验收”未通过，不修改第二个变量，先恢复基线并保留失败现场。

九、用一张矩阵验证 知识库 Loader 与 Splitter：解析契约、清洗和分块验收 的关键结论

矩阵按正文顺序列出“知识库 Loader 与 Splitter：解析契约、清洗和分块验收”的结论。一次实验只选择一行，只改变这一行对应的条件；不要把多行合并成一个无法归因的大实验。

正文章节	已解释的结论	本轮唯一变量	必须保存的证据
Loader 的产物不只是字符串	Loader 负责读取来源并尽量保留结构；	只改变与“Loader 的产物不只是字符串”相关的条件	原文位置、各路候选、分数、过滤前后 Diff、Recall@K、NDCG、引用和 Trace
不同来源的解析重点	代码缩进、否定词、表格表头和错误码大小写不能按普通空白处理。	只改变与“不同来源的解析重点”相关的条件	原文位置、各路候选、分数、过滤前后 Diff、Recall@K、NDCG、引用和 Trace
结构优先的分块流程	先按标题、条款、函数、表格等结构形成语义单元。 -> 单元超出 Token 上限，再按段落、句子和字符递归降级。 -> 小块继承标题路径、页码、来源、版本、租户和 ACL。 -> 生成稳定 ID 和内容哈希，支持重复执行、更新与删除。	只改变与“结构优先的分块流程”相关的条件	原文位置、各路候选、分数、过滤前后 Diff、Recall@K、NDCG、引用和 Trace
稳定 ID 与幂等	不要只使用 document_id#序号：文档头部插入新段落后，	只改变与“稳定 ID 与幂等”相关的条件	原文位置、各路候选、分数、过滤前后 Diff、Recall@K、NDCG、引用和 Trace
分块质量验收	解析成功率、空文档率、乱码率和 OCR 失败率。	只改变与“分块质量验收”相关的条件	原文位置、各路候选、分数、过滤前后 Diff、Recall@K、NDCG、引用和 Trace
常见故障与修复	引用回不到原文：Loader 丢了页码或 URI，修解析契约，不要让模型生成来源。	只改变与“常见故障与修复”相关的条件	原文位置、各路候选、分数、过滤前后 Diff、Recall@K、NDCG、引用和 Trace

9.1 记录本次实际实验

下面的记录用于“知识库 Loader 与 Splitter：解析契约、清洗和分块验收”当前这一次实验，不是第二套知识目录。先从矩阵选择一个章节，再填写实际值；没有填写的字段表示尚未验证。

topic: "知识库 Loader 与 Splitter：解析契约、清洗和分块验收"
selected_chapter: required
claim_from_article: required
baseline_version: required
changed_condition: exactly_one
execution: "依次回放解析、切分、召回、过滤、重排、上下文组装和引用生成"
evidence: "原文位置、各路候选、分数、过滤前后 Diff、Recall@K、NDCG、引用和 Trace"
pass_when: "正确证据可召回可回链，无答案时拒答，权限过滤不泄漏其他主体资料"
stop_when: "解析丢内容、正确 chunk 未召回、过滤误删、重排掉出或引用不支持结论"
observed_result: required
first_deviation: null_or_evidence
recovery_replay: required_after_failure

9.2 边界实验必须证明能够停止和恢复

成功路径只能证明“知识库 Loader 与 Splitter：解析契约、清洗和分块验收”在当前样本上工作，不能证明它可以进入生产。边界实验需要主动制造：解析丢内容、正确 chunk 未召回、过滤误删、重排掉出或引用不支持结论，并观察系统是否在产生不可逆副作用前停止。

场景	只改变什么	应保存什么	通过标准
正常路径	使用已知有效输入	原文位置、各路候选、分数、过滤前后 Diff、Recall@K、NDCG、引用和 Trace	正确证据可召回可回链，无答案时拒答，权限过滤不泄漏其他主体资料
边界路径	把一个输入推进到约束临界值	临界值前后的输出与指标	不静默降级，不把部分结果冒充成功
明确失败	注入：解析丢内容、正确 chunk 未召回、过滤误删、重排掉出或引用不支持结论	原始错误、首个异常阶段和最终状态	失败被正确分类且没有扩大副作用
恢复重放	执行：在最早丢失正确证据的阶段停止，固定该阶段输入单独修复并重放全链	原失败样本的复测证据	原样本恢复，正常样本没有回归

恢复动作不是简单重启。对于“知识库 Loader 与 Splitter：解析契约、清洗和分块验收”，第一步是：在最早丢失正确证据的阶段停止，固定该阶段输入单独修复并重放全链。完成后使用原始失败样本复测；只验证一个新样本成功，不能证明触发条件已经消失。

“知识库 Loader 与 Splitter：解析契约、清洗和分块验收”边界实验结束后，应把正常、临界、失败和恢复四类记录放在同一个运行批次中。这样才能区分“候选方案真的修复问题”和“环境变化让问题暂时没有出现”。

十、知识库 Loader 与 Splitter：解析契约、清洗和分块验收 的结果解释

解释“知识库 Loader 与 Splitter：解析契约、清洗和分块验收”实验时先看首个偏差，而不是最后一条错误。最后的异常通常只是上游状态错误的结果；从末端反推容易误把症状当根因。

观察结果	可以支持的判断	下一步
主链路没有达到预期	解析丢内容、正确 chunk 未召回、过滤误删、重排掉出或引用不支持结论	先执行：在最早丢失正确证据的阶段停止，固定该阶段输入单独修复并重放全链
异常链路无法恢复	解析丢内容、正确 chunk 未召回、过滤误删、重排掉出或引用不支持结论	先执行：在最早丢失正确证据的阶段停止，固定该阶段输入单独修复并重放全链
新样本成功但原样本仍失败	修复没有覆盖原始触发条件	固定原失败输入，恢复基线后重新比较
指标改善但证据无法回链	数据、版本或中间状态没有固定	暂停发布，补齐可追溯记录后重跑

“知识库 Loader 与 Splitter：解析契约、清洗和分块验收”只有同时满足“正确证据可召回可回链，无答案时拒答，权限过滤不泄漏其他主体资料”，并且没有出现“解析丢内容、正确 chunk 未召回、过滤误删、重排掉出或引用不支持结论”，才可以认为主链路通过。这里的“通过”只对当前固定版本、样本和环境有效，不能外推到尚未测试的容量、权限或数据分布。

如果“知识库 Loader 与 Splitter：解析契约、清洗和分块验收”候选方案与基线差异很小，先检查证据分辨率是否足够；如果差异很大，先排除数据泄漏、环境漂移和版本不一致。两种情况都不能只看一个汇总均值，需要回到逐样本输出和中间状态。

“知识库 Loader 与 Splitter：解析契约、清洗和分块验收”故障定位完成后，记录“现象、首个偏差、根因、改动、原样本复测”五项。缺少原样本复测时，只能标记为待观察，不能标记为已解决。

十一、知识库 Loader 与 Splitter：解析契约、清洗和分块验收 的发布判断

发布判断需要把“知识库 Loader 与 Splitter：解析契约、清洗和分块验收”的质量、失败边界和恢复能力放在同一份记录中。以下任一条件缺失，都应停止扩量，而不是用“基本正常”替代证据。

• “知识库 Loader 与 Splitter：解析契约、清洗和分块验收”的基线与候选只存在一个计划内变量。
• “知识库 Loader 与 Splitter：解析契约、清洗和分块验收”的输入、代码、依赖、配置和数据版本可以追溯。
• “知识库 Loader 与 Splitter：解析契约、清洗和分块验收”的正常、临界、失败和恢复样本使用同一套断言。
• “知识库 Loader 与 Splitter：解析契约、清洗和分块验收”的原始输出、中间状态和失败现场已经保留。
• “知识库 Loader 与 Splitter：解析契约、清洗和分块验收”的日志、Trace、截图和测试数据已经脱敏。
• “知识库 Loader 与 Splitter：解析契约、清洗和分块验收”的停止条件、负责人和回滚入口已经演练。
• “知识库 Loader 与 Splitter：解析契约、清洗和分块验收”尚未覆盖的输入、权限、容量和外部依赖已经登记。

最终记录至少包含基线版本、唯一变量、原始证据、首个偏差、恢复复测和发布责任人。没有参与本次修改的人如果不能据此重放“知识库 Loader 与 Splitter：解析契约、清洗和分块验收”的判断，就不能发布。

十二、总结

• Loader 的产物不只是字符串：Loader 负责读取来源并尽量保留结构；
• 不同来源的解析重点：| 来源 | 必须保留 | 常见污染 |
• 结构优先的分块流程：先按标题、条款、函数、表格等结构形成语义单元。 -> 单元超出 Token 上限，再按段落、句子和字符递归降级。 -> 小块继承标题路径、页码、来源、版本、租户和 ACL。 -> 生成稳定 ID 和内容哈希，支持重复执行、更新与删除。
• 稳定 ID 与幂等：不要只使用 document_id#序号：文档头部插入新段落后，后续序号全部变化，会产生大量无意义删除与重建。
• 分块质量验收：抽样阅读不可少，自动指标至少包括：
• 常见故障与修复：引用回不到原文：Loader 丢了页码或 URI，修解析契约，不要让模型生成来源。