百炼平台知识库构建：从文档到RAG系统

百炼平台提供了开箱即用的知识库功能，上传企业文档后自动构建RAG问答系统。本文详细介绍知识库的构建流程、文档处理策略、检索优化技巧。

支持的文档格式：PDF、Word、TXT、Markdown、HTML。建议将文档整理为结构化的Markdown格式，包含清晰的标题层级。每篇文档聚焦一个主题，避免一个PDF包含太多不相关的内容。

文档预处理：去除页眉页脚、水印、广告等无关内容。表格和图片需要转为文字描述（OCR或人工标注）。长文档按章节拆分，每个chunk控制在500-1000字。

百炼平台 → 知识库 → 创建知识库 → 上传文档 → 自动处理（分chunk、向量化、建索引）。处理完成后，每条知识都是一个文本chunk及其向量表示。

分chunk策略影响检索质量。太大（>2000字）会混入不相关内容，太小（<100字）上下文不完整。建议500-1000字一个chunk，chunk之间保留100-200字的重叠。

混合检索：同时使用向量检索（语义相似）和关键词检索（精确匹配），取两者的交集或并集。比纯向量检索效果更好。

重排序（Reranking）：检索出TOP 20条结果后，用Reranker模型重新排序，选出最相关的5条传入LLM。Reranking可以显著提升检索精度。

查询改写：用户的问题可能表述不清。用LLM先改写用户的查询（扩展同义词、补充上下文），再用改写后的查询检索。

构建测试集（50-100个典型问题+标准答案），评估知识库的召回率和准确率。常见问题：检索到了错误的chunk（优化分chunk策略）、检索到了但没有回答好（优化Prompt）、完全没检索到（补充文档或调整检索策略）。