检索没问题、模型也没换，RAG 还胡说？多半是入库前的文档解析没调好

摘要：

RAG 答错时，先查解析产物、再查检索、最后查模型，多数问题在第一步就能定位：检索只能返回已入库的内容，模型只能用检索交给它的上下文。方向定下来后，调优动作集中在多模态解析（文档版）的 ResultType、TaskType 与 EnableSubImg 等参数上。

一、先分清三种“胡说”

RAG 答错时，第一反应往往是“召回不准”或“模型不行”。但把答错的形态拆开看，会发现不同的错法指向完全不同的环节。先分清症状，后面的排查才有方向。

1.1 答案错位：内容确在原文，指向的对象却错了

典型表现是：答案本身是文档里写过的内容，但被用在了错误的对象上。问甲产品的返修周期，回答的是乙产品的；问某条款的违约金比例，回答的是另一个条款的比例。检索回来的片段里确实出现了关键词，只是这段内容并不是问题所指的那一段。

这类错位常见于层级信息被拉平之后。原文里“某产品”这个限定词可能写在章标题上，正文各段并不重复；一旦层级丢失，每段文字都变成同等地位的独立段落，模型只能按文字相似度猜这一段说的是谁。

1.2 跨页数据对不上：数值齐全，归属却拼不回来

第二种症状更隐蔽：数字列得出来，但行的含义对不上。表现包括表格跨页之后第二页数据被当成独立的一段、列名与数值分离、合并单元格被拆平成一串没有归属的值。

问到“某个指标的年度合计是多少”时，模型可能给出一个数值，但这个数值实际来自表格的另一行，或者只统计了跨页后的半张表。因为检索块里没有列名也没有表结构，模型只能根据数字本身去编一个上下文。

1.3 图表内容缺失：正文里有引用，回答里查不到

第三种症状是“答不出来”。问的内容明明就在图或图表里，系统的回答却是“文档中未提及”。原因不在检索，而在入库：图片在解析阶段被跳过，公式被抽成一串无法解析的字符，或图表被转成了失真的表格。

这一类很容易被误判成“知识库覆盖不全”，于是团队去补充资料、扩大语料，但真正缺失的内容其实一直躺在原始文件里，只是从来没有进入过索引。

二、排查顺序：为什么先查解析产物

把三类症状放在一起看，共同点就出来了：它们都不是检索或生成环节能修复的问题。检索只能返回已经入库的东西，模型只能使用检索交给它的上下文。如果入库产物本身已经丢了结构、丢了图、丢了列名，那么在检索和模型上调参数，最多只是让错误的原料被更快地找出来。

所以排查顺序应当从上游往下游走，而不是反过来。

第一步，查解析产物。把答错的那几个问题对应到原文位置，然后在已经入库的分块里找到对应片段，直接看这块内容长什么样：标题层级在不在、表格是不是完整、阅读顺序对不对、图有没有被抽出来。这一步花的时间不多，却能排除掉大部分嫌疑。

第二步，查检索。只有在解析产物本身完好、结构清楚的前提下，检索结果不好才可能是分块策略、检索方式或排序的问题。此时要看的指标是“正确答案所在的块有没有被召回”，而不是“排在第一的结果看起来像不像”。

第三步，才轮到模型与提示词。如果正确且完整的上下文已经召回，答案仍然不对，那才是生成环节的问题。

排查常犯的错误是从下往上查：先换模型、再换向量库、再调提示词，最后才发现原文里的表格在第一步入库时就已经被拆散了。

三、四类典型解析产物缺陷对应的调优动作

定位到解析产物的问题之后，调优要落到参数上。下面按多模态解析（文档版）（接口 MultimodalDocParse）的 ResultType、TaskType、PageRange、EnableSubImg 四个参数，逐类给出调整方向。

3.1 分块没按标题层级切

如果排查发现入库的分块是按固定字数切出来的，段落被拦腰截断、章节标题和正文分离，那么问题的根源不是分块算法本身，而是解析产物里根本没有层级信息可用。

动作是先确认 ResultType 里有没有 JSON：默认值 9 会一次返回 json、markdown、xml 三种，JSON 已在其中；如果曾被改成 2（仅 markdown），结构化分块就失去了依据，需要改回 9 或 1。拿到带层级的 JSON 之后，再改用层级驱动分块：按标题层级确定块的边界，让每个块有明确归属，并把父级标题一并写进块内。

3.2 表格被拆散、列名与数值失联

表格类问题要先看这批文档的主体内容。以报表、清单、对账表这类表格为主体的文档，把 TaskType 从默认的 0 文档解析换成 3 切片表格识别，解析会更侧重表格结构的保留；以文字为主、只夹杂少量表格的文档，保持在文档解析这一档，先确认输出里的表格有没有被压平成文本行，再决定要不要单独处理。

入库时还要补一条规则：表格不参与按字数切分，一张表整体成块，并在块内重复表头。表格一旦被切成两半，后面无论怎么调检索都无法还原。

3.3 阅读顺序错乱：多栏与跨页内容被交错

阅读顺序的问题通常来自两种情况：文档本身是多栏排版，或者解析时的分段落在了跨页的位置。

动作分三步。先确认解析产物是否带阅读顺序，带顺序的输出才能支撑按语义边界切分；再调整切分逻辑，让它按段落、标题、列表项这类语义边界切，而不是按固定字符数切。最后处理跨页：单次调用最多支持 300 页，页数更多的文档要用 PageRange 分批；分批时不要把切点落在表格或章节中间，选在章节边界，比事后修补便宜得多。

3.4 图片与子图丢失

如果答错的问题涉及图表、示意图或图注，先查解析结果压缩包里的 images 文件夹有没有对应文件——多模态解析（文档版）返回的 zip 内，图片资源是单独存放的。需要在解析阶段把子图也抽出来的，打开 EnableSubImg 参数，它默认是关闭的。

图片问题的处理方式与文字不同：文字可以靠分块策略补救，图片一旦没有在解析阶段被保存出来，后面没有任何环节能把它找回来。因此对图文穿插比例高的文档，建议把 EnableSubImg 按默认开启来评估。

四、改造成本与验证方法

改造的账要先算清。重跑一次解析按页计价，多模态解析（文档版）后付费 0.08 元/页，预付费资源包四档折合下来分别是 0.07、0.06、0.05、0.04 元/页（1000 页 70 元、1 万页 600 元、10 万页 5000 元、100 万页 40000 元），页数越大单价越低。开通服务时发放的 1000 页免费额度一次性到账、一年内有效，第一轮小样本验证可以直接用它覆盖，不必额外付费。

验证方法建议用同一批文档做前后对照，而不是只看新解析结果是否“看起来更好”。具体做法是：

• 从答错的问题里挑出 20～30 个，记录它们对应的原文位置（页码、章节）。
• 用调整后的参数重新解析同一批文档，重新入库。
• 逐条核对四件事：标题层级是否保留、表格是否完整且带表头、阅读顺序是否与原文一致、涉及的图是否出现在图片资源中。
• 重放同一批查询，比较召回的分块是否发生变化，以及答案是否仍然错位。
• 对跨页数据类问题，专门抽查跨页表格所在的边界页。

验证的目标应当落在结构上，而不是落在单条答案上。单条答案对了可能是巧合，也容易过拟合；解析产物在结构上正确才是可复用的质量基线——只要这一层稳定，后续换检索方式、换模型都不会推翻它。

五、总结

追到最后会发现，检索和模型都只是末端。值得先花时间的地方，是文档进索引之前的那一步；把解析产物查清楚、把参数调到位，很多"模型不行"的结论会自动消失。

要让这套排查流程真正跑起来，关键在于把验证范围收小：一批文档、一组问题、前后对照一次，结论就出来了。多模态解析（文档版）首次开通即发放 1000 页免费额度、一年内有效，配合免费额度先跑一轮小样本即可；确认要放量之后，可对照 文档智能特惠活动 的折扣档位：多模态解析（文档版）新用户首单低至 5 折、不限新老用户低至 6 折，按页数选规格更划算。