本篇 10 题｜覆盖初级到高级｜文档解析与数据质量。先用自己的话回答，再核对参考要点，最后练习工程追问。
本篇目录
- RAG-011 文档导入为什么要保留原始文件？
- RAG-012 PDF 解析最常见的问题是什么？
- RAG-013 扫描文档如何进入知识库？
- RAG-014 表格解析为什么要保留结构？
- RAG-015 HTML 清洗应删除哪些内容？
- RAG-016 如何处理同一文档的重复版本？
- RAG-017 为什么元数据质量与正文同样重要？
- RAG-018 怎样识别知识库里的低质量文本？
- RAG-019 如何给文档建立稳定 ID？
- RAG-020 文档导入应怎样做幂等？
RAG-011 文档导入为什么要保留原始文件？
难度：初级
参考答案：原始文件是纠错、重新解析和审计的依据。解析结果需要关联来源、哈希、版本与页码，避免格式转换后丢失证据；原始文件同样要有权限和保留策略，不能无限复制敏感资料。
工程追问：更换解析器后怎样重新构建索引？
RAG-012 PDF 解析最常见的问题是什么？
难度：初级
参考答案：阅读顺序、跨栏、页眉页脚、表格和扫描图像都可能破坏文本语义。应区分文本型与扫描型文档，做版面识别和抽样复核，不能以“提取出了字符”作为解析验收。
工程追问：双栏论文被逐行交错应如何处理？
RAG-013 扫描文档如何进入知识库？
难度：中级
参考答案：先做 OCR 与版面解析，保存文字框、页码和置信线索，再进行规范化和索引。关键数字或低置信文本要复核；OCR 错误会传播到检索与生成，后续模型不一定能修正。
工程追问：哪些 OCR 结果应进入人工审核？
RAG-014 表格解析为什么要保留结构？
难度：初级
参考答案：表格含有表头、单位和行列关系，扁平拼接会导致值归属错误。应保留行列坐标、合并单元格语义与来源页码，必要时建立结构化查询工具，而不是让模型从一串数字猜关系。
工程追问：跨页表格的表头怎样继承？
RAG-015 HTML 清洗应删除哪些内容？
难度：中级
参考答案：去除重复导航、广告和无关脚本，同时保留标题层级、正文、链接与必要表格。清洗规则应按页面类型验证，避免误删关键说明；网页中的文字仍属于低信任数据。
工程追问：一个折叠区块中的正文会不会被漏掉？
RAG-016 如何处理同一文档的重复版本？
难度：中级
参考答案：通过来源标识、内容哈希和业务版本建立关系，标记有效版本与历史版本。查询默认使用符合时间条件的版本，并明确冲突处理；单纯按文本去重可能删掉必要的修订信息。
工程追问：用户询问去年规则时应检索哪一版？
RAG-017 为什么元数据质量与正文同样重要？
难度：初级
参考答案：来源、时间、部门、权限和文档类型影响过滤与解释。错误元数据可能造成越权或使用过期证据，因此需要独立校验、默认值策略和可追溯修改记录，不能全部交给模型推断。
工程追问：缺少文档有效日期时应怎样处理？
RAG-018 怎样识别知识库里的低质量文本？
难度：中级
参考答案：检测空文本、乱码、重复页脚、异常长度和断裂表格，再抽查语义完整性。用解析质量指标和在线失败案例共同改进，避免只通过字符数阈值；短文本也可能是关键规则。
工程追问：如何确认清洗没有损害检索效果？
RAG-019 如何给文档建立稳定 ID？
难度：中级
参考答案：把逻辑文档 ID、内容版本和片段 ID 分开，使用来源系统键或受控生成规则。路径和文件名可能变化，不能作为唯一身份；稳定 ID 支持更新、删除、引用和跨系统排查。
工程追问：文件重命名后如何避免生成重复知识？
RAG-020 文档导入应怎样做幂等？
难度：高级
参考答案：同一来源版本重复提交时复用处理结果或安全更新，任务记录需区分成功、部分失败与待重试。索引写入采用稳定片段 ID，避免重试产生重复向量；导入完成前不能把半成品当成可用版本。
工程追问：导入中途断电后从哪里恢复？
复盘练习
任选一题，用“场景与约束 → 方案 → 验证方法 → 失败边界”组织一段回答。初级先讲清概念，中级补实现与测试，高级补成本、权限和故障取舍。难度标签是学习建议，同一题可继续深入。
延伸阅读
以下为本模块相关原始论文与官方文档，用于继续学习；本文为原创面试要点整理，具体框架行为以所用版本为准。