参考资料

• LangChain Text splitters
• Milvus 官方文档：Embedding Function

参考资料

• OpenAI Cookbook
• LangChain 文档

面试题（03） - 文档解析、分块与 Embedding（第 11～20 题）

读完后，你应能：

• 能验证“重点检查候选人是否知道“垃圾进、垃圾出”，以及如何用数据而不是感觉选择分块和嵌入模型”，并保存输入、输出与失败样本。
• 能验证“答案： 检索只能找到已经进入索引的内容”，并保存输入、输出与失败样本。
• 能验证“双栏顺序错乱、表格丢列、页眉污染、扫描 PDF 未 OCR、代码缩进丢失，都会让后续分块和 Embedding 接收错误文本”，并保存输入、输出与失败样本。

重点检查候选人是否知道“垃圾进、垃圾出”，以及如何用数据而不是感觉选择分块和嵌入模型。

一、先建立全局：文档解析、分块与 Embedding（第 11～20 题） 是什么？

理解“文档解析、分块与 Embedding（第 11～20 题）”，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。

“文档解析、分块与 Embedding（第 11～20 题）”的第一个核心判断是：递归切分按标题、段落、句子逐级降级，适合普通文本默认起步；。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	题目与详细答案	递归切分按标题、段落、句子逐级降级，适合普通文本默认起步；
2	重点检查候选人是否知道“垃圾进、垃圾出”	重点检查候选人是否知道“垃圾进、垃圾出”，以及如何用数据而不是感觉选择分块和嵌入模型。
3	答案	答案： 检索只能找到已经进入索引的内容。
4	双栏顺序错乱、表格丢列、页眉污染、扫描 PDF 未 OCR、代码	双栏顺序错乱、表格丢列、页眉污染、扫描 PDF 未 OCR、代码缩进丢失，
5	都会让后续分块和 Embedding 接收错误文本	都会让后续分块和 Embedding 接收错误文本。
6	验收应把解析结果与原页渲染对照	验收应把解析结果与原页渲染对照，统计成功率、空页、乱码、表格和页码保留率。

1.1 核心对象之间怎样衔接

flowchart LR
  S1["题目与详细答案"] --> S2
  S2["重点检查候选人是否知道“垃圾进、垃圾出”"] --> S3
  S3["答案"] --> S4
  S4["双栏顺序错乱、表格丢列、页眉污染、扫描 PDF 未 OCR、代码"] --> S5
  S5["都会让后续分块和 Embedding 接收错误文本"]

这张图只表达本文的讲解顺序，不替代正文机制。判断“文档解析、分块与 Embedding（第 11～20 题）”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“文档解析、分块与 Embedding（第 11～20 题）”的对象和顺序已经明确后，再看可观察的失败：漏召回、排序丢失、引用断链或越权命中。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、题目与详细答案

2.1 第11题：为什么文档解析质量会决定 RAG 上限？

答案： 检索只能找到已经进入索引的内容。 双栏顺序错乱、表格丢列、页眉污染、扫描 PDF 未 OCR、代码缩进丢失， 都会让后续分块和 Embedding 接收错误文本。 验收应把解析结果与原页渲染对照，统计成功率、空页、乱码、表格和页码保留率。 换更强模型无法恢复解析阶段已经丢失的事实。

2.2 第12题：固定长度、递归、语义、父子分块分别适合什么场景？

答案： 固定长度简单但容易切断结构； 递归切分按标题、段落、句子逐级降级，适合普通文本默认起步； 语义分块按主题变化切，质量可能更好但成本高且边界不稳定； 父子分块用小块召回、父块生成，适合长条款和章节。 Markdown、代码、表格应优先使用结构感知分块。 选择要用 Recall@K、条件完整率和 Token 成本验证。

2.3 第13题：Chunk Size 和 Overlap 怎么确定？

答案： 没有通用最优值。 先根据回答所需最小证据单元、模型 Tokenizer 和文档结构设候选范围， 再在固定评测集比较召回与生成。 块太小会缺上下文、增加数量和重复； 太大会稀释主题、提高向量与 Prompt 成本。 Overlap 只用于保护边界，不应弥补错误结构切分。 还要看 P50/P95 Token，而不只看平均字符数。

2.4 第14题：中文分块有哪些特别问题？

答案： 中文没有空格词界，字符数不等于 Token 数； 句号、分号、顿号、列表编号和全角标点都影响边界。 制度条款里的“除外条件”常在后句，代码与中英文混排也会破坏简单正则。 应使用目标模型 Tokenizer 计数， 保留标题和条款号， 把中文分隔符加入递归策略， 并抽样检查句子截断、孤立代词和否定条件丢失。

2.5 第15题：表格应该怎样进入 RAG？

答案： 先保留表头、行列关系和单元格坐标，再根据问题类型决定结构化查询或文本化检索。 小表可把表头复制到每行并生成可读描述； 大表、数值聚合和精确筛选更适合 SQL/数据工具，而不是把整表向量化。 引用应能回到表名、行列和原页。 把 CSV 每行拼成无表头文本会丢失字段语义。

2.6 第16题：Embedding 是什么，为什么能做语义检索？

答案： Embedding 模型把文本映射为固定维度向量， 使语义相近文本在训练空间中距离较近。 索引时编码文档，查询时用同一模型和规则编码问题，再按余弦、内积或 L2 找近邻。 它学习的是统计语义，不是事实验证器； 数值、否定、稀有编号可能不稳定，因此常与 BM25 和 Rerank 组合。

2.7 第17题：如何选择 Embedding 模型？

答案： 先确认语言、领域、最大长度、维度、许可证、部署方式、吞吐和显存， 再用自己的标注 Query-Chunk 集评测 Recall@K/MRR。 中文企业知识优先验证中文或多语言模型； 离线要求还要确认权重已下载且推理不访问网络。 公开榜单只能做候选筛选，因为你的错误码、条款和文档结构可能与榜单数据差异很大。

2.8 第18题：索引和查询的 Embedding 可以用不同模型吗？

答案： 通常不可以。 不同模型的向量空间和维度没有可比性，即使维度碰巧相同，距离也无意义。 部分非对称检索模型允许 query/document 使用不同前缀或编码头， 但仍属于同一训练体系， 必须按模型文档执行。 生产中记录模型名、版本、维度、归一化和前缀，升级时重建新索引。

2.9 第19题：余弦、内积和 L2 如何选择？

答案： 余弦关注方向，L2 关注欧氏距离，内积同时受方向与模长影响。 若向量已 L2 归一化，余弦与内积排序通常等价； 不同向量库对距离“越大越好/越小越好”的定义不同。 应遵循模型推荐并在索引与查询保持一致。 面试中只背公式不够，还应提到归一化、索引 metric 和阈值必须配套。

2.10 第20题：Embedding 模型升级如何避免服务中断？

答案： 创建新版本向量索引，后台批量重算并校验维度、数量、Recall 和延迟； 在线可双读做影子对比，通过后切换别名。 缓存和 Query Embedding 也要带版本。 不要在原 Collection 混合新旧向量，也不要边重建边让请求随机命中半成品索引。 保留旧版本用于快速回滚。

三、动手验证：先跑通 文档解析、分块与 Embedding（第 11～20 题），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“文档解析、分块与 Embedding（第 11～20 题）”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。

3.1 基线与候选只允许一个变量不同

验证“文档解析、分块与 Embedding（第 11～20 题）”时，先固定查询集、语料快照、权限身份、相关性标注。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“文档解析、分块与 Embedding（第 11～20 题）”时，动作是：离线回放检索，保存候选、过滤、排序和引用。原始结果不能只保留截图或汇总分数，必须同步保存：Recall@K、NDCG、引用命中率、无答案误答率、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	查询集、语料快照、权限身份、相关性标注
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	Recall@K、NDCG、引用命中率、无答案误答率、Trace
通过阈值	证据可回链，指标达基线，权限过滤无泄漏
立即停止	漏召回、排序丢失、引用断链或越权命中

3.2 执行前先排除不可比较条件

“文档解析、分块与 Embedding（第 11～20 题）”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“文档解析、分块与 Embedding（第 11～20 题）”的当前环境重复运行。
• 候选只改变一个与“文档解析、分块与 Embedding（第 11～20 题）”结论直接相关的条件。
• “文档解析、分块与 Embedding（第 11～20 题）”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。
• “文档解析、分块与 Embedding（第 11～20 题）”的原始输出和失败现场不会被重试、格式化或汇总覆盖。

3.3 执行后先核对证据完整性

结果出来后先检查证据，再讨论“文档解析、分块与 Embedding（第 11～20 题）”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	查询集、语料快照、权限身份、相关性标注
过程可回放	离线回放检索，保存候选、过滤、排序和引用
结果可审计	Recall@K、NDCG、引用命中率、无答案误答率、Trace

“文档解析、分块与 Embedding（第 11～20 题）”的一次合格基线对照按以下顺序执行：

1. 保存“文档解析、分块与 Embedding（第 11～20 题）”基线版本及输入摘要，确认基线本身可以重复运行。
2. 写下“文档解析、分块与 Embedding（第 11～20 题）”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“文档解析、分块与 Embedding（第 11～20 题）”：离线回放检索，保存候选、过滤、排序和引用。
4. 为“文档解析、分块与 Embedding（第 11～20 题）”保存：Recall@K、NDCG、引用命中率、无答案误答率、Trace。
5. 使用“文档解析、分块与 Embedding（第 11～20 题）”预登记条件判断：证据可回链，指标达基线，权限过滤无泄漏。
6. 如果“文档解析、分块与 Embedding（第 11～20 题）”未通过，不修改第二个变量，先恢复基线并保留失败现场。

四、用一张矩阵验证 文档解析、分块与 Embedding（第 11～20 题） 的关键结论

矩阵按正文顺序列出“文档解析、分块与 Embedding（第 11～20 题）”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
题目与详细答案	递归切分按标题、段落、句子逐级降级，适合普通文本默认起步；	只改变与“题目与详细答案”相关的条件	Recall@K、NDCG、引用命中率、无答案误答率、Trace
重点检查候选人是否知道“垃圾进、垃圾出”	重点检查候选人是否知道“垃圾进、垃圾出”，以及如何用数据而不是感觉选择分块和嵌入模型。	只改变与“重点检查候选人是否知道“垃圾进、垃圾出””相关的条件	Recall@K、NDCG、引用命中率、无答案误答率、Trace
答案	答案： 检索只能找到已经进入索引的内容。	只改变与“答案”相关的条件	Recall@K、NDCG、引用命中率、无答案误答率、Trace
双栏顺序错乱、表格丢列、页眉污染、扫描 PDF 未 OCR、代码	双栏顺序错乱、表格丢列、页眉污染、扫描 PDF 未 OCR、代码缩进丢失，	只改变与“双栏顺序错乱、表格丢列、页眉污染、扫描 PDF 未 OCR、代码”相关的条件	Recall@K、NDCG、引用命中率、无答案误答率、Trace
都会让后续分块和 Embedding 接收错误文本	都会让后续分块和 Embedding 接收错误文本。	只改变与“都会让后续分块和 Embedding 接收错误文本”相关的条件	Recall@K、NDCG、引用命中率、无答案误答率、Trace
验收应把解析结果与原页渲染对照	验收应把解析结果与原页渲染对照，统计成功率、空页、乱码、表格和页码保留率。	只改变与“验收应把解析结果与原页渲染对照”相关的条件	Recall@K、NDCG、引用命中率、无答案误答率、Trace

4.1 记录本次实际实验

下面的记录用于“文档解析、分块与 Embedding（第 11～20 题）”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: "文档解析、分块与 Embedding（第 11～20 题）"
selected_chapter: required
claim_from_article: required
baseline_version: required
changed_condition: exactly_one
execution: "离线回放检索，保存候选、过滤、排序和引用"
evidence: "Recall@K、NDCG、引用命中率、无答案误答率、Trace"
pass_when: "证据可回链，指标达基线，权限过滤无泄漏"
stop_when: "漏召回、排序丢失、引用断链或越权命中"
observed_result: required
first_deviation: null_or_evidence
recovery_replay: required_after_failure

4.2 边界实验必须证明能够停止和恢复

成功路径只能证明“文档解析、分块与 Embedding（第 11～20 题）”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：漏召回、排序丢失、引用断链或越权命中，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	Recall@K、NDCG、引用命中率、无答案误答率、Trace	证据可回链，指标达基线，权限过滤无泄漏
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：漏召回、排序丢失、引用断链或越权命中	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：定位解析、召回、过滤、排序或生成阶段，回滚对应版本	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“文档解析、分块与 Embedding（第 11～20 题）”，第一步是：定位解析、召回、过滤、排序或生成阶段，回滚对应版本。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。

“文档解析、分块与 Embedding（第 11～20 题）”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”。

五、文档解析、分块与 Embedding（第 11～20 题） 的结果解释

解释“文档解析、分块与 Embedding（第 11～20 题）”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	漏召回、排序丢失、引用断链或越权命中	先执行：定位解析、召回、过滤、排序或生成阶段，回滚对应版本
异常链路无法恢复	漏召回、排序丢失、引用断链或越权命中	先执行：定位解析、召回、过滤、排序或生成阶段，回滚对应版本
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

“文档解析、分块与 Embedding（第 11～20 题）”只有同时满足“证据可回链，指标达基线，权限过滤无泄漏”，并且没有出现“漏召回、排序丢失、引用断链或越权命中”，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“文档解析、分块与 Embedding（第 11～20 题）”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。

“文档解析、分块与 Embedding（第 11～20 题）”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。

六、文档解析、分块与 Embedding（第 11～20 题） 的发布判断

发布判断需要把“文档解析、分块与 Embedding（第 11～20 题）”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。

• “文档解析、分块与 Embedding（第 11～20 题）”的基线与候选只存在一个计划内变量。
• “文档解析、分块与 Embedding（第 11～20 题）”的输入、代码、依赖、配置和数据版本可以追溯。
• “文档解析、分块与 Embedding（第 11～20 题）”的正常、临界、失败和恢复样本使用同一套断言。
• “文档解析、分块与 Embedding（第 11～20 题）”的原始输出、中间状态和失败现场已经保留。
• “文档解析、分块与 Embedding（第 11～20 题）”的日志、Trace、截图和测试数据已经脱敏。
• “文档解析、分块与 Embedding（第 11～20 题）”的停止条件、负责人和回滚入口已经演练。
• “文档解析、分块与 Embedding（第 11～20 题）”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“文档解析、分块与 Embedding（第 11～20 题）”的判断，就不能发布。

七、总结

• 题目与详细答案：递归切分按标题、段落、句子逐级降级，适合普通文本默认起步；
• 第11题：为什么文档解析质量会决定 RAG 上限？：答案： 检索只能找到已经进入索引的内容。
• 第12题：固定长度、递归、语义、父子分块分别适合什么场景？：递归切分按标题、段落、句子逐级降级，适合普通文本默认起步；
• 第13题：Chunk Size 和 Overlap 怎么确定？：Overlap 只用于保护边界，不应弥补错误结构切分。
• 第14题：中文分块有哪些特别问题？：句号、分号、顿号、列表编号和全角标点都影响边界。
• 第15题：表格应该怎样进入 RAG？：答案： 先保留表头、行列关系和单元格坐标，再根据问题类型决定结构化查询或文本化检索。