RAG / 资料整理
企业知识库搭建前，先把 Word、PDF 和表格整理好
企业知识库搭建前的资料准备：整理 Word、PDF 和表格的版本、结构、权限与出处，再用具体问题验收提取和检索结果。
先确认资料是否适合检索
企业知识库的第一步，是确认哪些资料有效、内容能否完整提取，以及谁有权查看。文件能上传，不代表其中的制度、价格和操作步骤已经适合检索。先用一小批资料走通整理与验收，再逐步扩充，问题更容易定位。
每份资料都要有明确版本
先建立资料清单，记录文件名称、负责人、版本、生效日期、适用范围和原始位置。“最终版”“最终修改版”不能代替版本管理。例如《售后服务规范_v2.1_2026-09-01》，正文也应写清生效日期与适用产品。
现行文件进入日常检索范围，旧版单独归档；确有历史查询需求时，再明确查询日期和版本筛选规则。相互冲突的条款交由业务负责人确认，不让模型自行判断哪份有效。
Word 保留层级，扫描件先检查文字
Word 中的章节标题、适用条件、例外说明应保持相邻。清理重复页眉页脚时，保留必要的章节编号和来源信息，方便回答后核对原文。
PDF 先抽查能否正常复制文字，再检查提取结果。扫描件通常需要 OCR；型号、金额、小数点和否定词应重点复核。Dify 的文档提取器说明支持文本型 PDF，图像类内容需要专门处理，不能据此假定所有扫描件都会自动识别。[1]
表格要让每行表达完整含义
表头写清字段与单位，例如“产品型号、保修月数、生效日期、适用地区”。合并单元格中的共同条件，应在整理后的每条记录中保留；空白值区分“不适用”“未知”和“未填写”，不要统一补成零。
跨页表格要检查表头是否丢失、数据是否错列。Dify 可将 Excel 和 CSV 转为 Markdown 表格，但转换完成后仍需抽查行列对应关系。[1] 涉及库存余额或实时价格的查询，还需单独设计数据更新与查询方式。
资料目录同时记录使用权限
把公开资料、内部制度、部门资料分别标注，列清使用人群、维护责任人和允许进入的应用。上传前检查批注、修订记录、隐藏工作表中是否夹带无关内容。
知识库后台的成员权限，需要与问答应用面向员工或客户的访问规则分别核对。权限应落实在身份校验和检索范围上，不能只在提示词中要求模型保密。
用具体问题验收第一批资料
先选十份左右的代表性文件，检查提取文本和分段预览。Dify 支持预览分段结果；条款与例外条件是否被拆开，需要结合实际内容检查。[2]
例如一条规则写着“A 型号保修十二个月，易耗件除外”，验收至少问两次：“A 型号保修多久？”“易耗件也适用吗？”同时核对引用版本与原文位置，再用无权限账号测试受限资料，用资料未覆盖的问题检查是否明确说明依据不足。
留下问题、预期依据、实际结果和修改记录，下一轮补资料或调整分段时，才有可重复检查的基准。
资料参考
项目出处
本文项目出处：evafang.com。
