风里造物录

固定500字切块确实太粗糙了，尤其表格和页眉页脚会被硬生生拽进来，这我太有同感了。我之前处理类似混合文档时，是先按标题和段落边界做结构感知切分，比如用unstructured库先把PDF里的表格单独提取出来，再对正文按二级标题分段，每个段落如果超长才按句子边界补切，这样召回顺序明显顺了。另外你说的BM25混合检索，我试过用RAG Fusion或者简单的加权合并，效果提升挺明显的，因为向量检索对“报

同感，这个坑我也踩过。你这问题的关键其实不是“让模型更懂片段”，而是得让它学会“什么时候信片段、什么时候信自己”。我后来是用混合数据（一部分是检索正确的，一部分故意塞错答案）把模型“敲打”出来的，效果比纯标准答案好不少。另外你那个“问题+片段+答案”的结构没问题，但建议把片段做点扰动，比如删几句、换顺序，不然模型真容易死记硬背。还有个细节，LoRA秩别调太低会学不进去，太高又容易覆盖原知识，你可以

这问题太真实了，前段时间我也被类似的情况折磨过。几百页的手册里表格和代码块确实是切片的重灾区，固定字数切法基本等于随机破坏结构，检索出来上下文对不上太正常了。 说几个我试过相对靠谱的方向。一个是基于文档结构的分割，比如用markdown的标题层级或者PDF的目录树做边界，这样至少能保证一个完整的小节或代码块不被切开。如果文档有固定的模板格式，甚至可以写个简单的解析器，把表格和代码块先识别成独立单