解析入库
文档解析与知识库：25 种格式，先统一入库再提问
扫描件识别、表格结构还原、父子分块保留上下文，入库后才谈检索。
解析入库
解析做不好，后面全是白费。同一份制度，标题层级、表格列、页眉页脚如果处理错，检索再准也会答偏。入库流程把文件转成结构化文本，保留章节层级与页码，供检索与出处使用。
入库后可以看到解析状态与失败原因，失败文件不会静默跳过；需要重新上传时，旧版本保留，便于对照。
格式清单
支持 25 种格式，常用的是 PDF、Word、Excel、PPT、TXT、Markdown、HTML 与常见图片。单文件按类型限 100MB、50MB、20MB；旧版 Office 二进制格式与压缩包不支持，需先另存为新格式或解压后逐个上传。
加密文件需先解除密码，损坏文件需先修复；扫描件建议 300dpi 以上，倾斜与阴影会影响识别。
表格还原
表格按行列还原，合并单元格会记录跨度，避免把两列数据读成一列。数字、单位与表头一起保存，回答里可以指出某一行某一列，而不是只给一句概括。
扫描件走文字识别，清晰度直接影响结果；印章遮挡、手写批注与复杂嵌套表可能出现错位，入库后建议抽查关键页。
分块策略
长文档按父子分块：父块保留章节上下文，子块用于精确召回。回答时把子块命中位置回溯到父块，减少断章取义；页码与文档名随分块一起保存，答案里的出处由此生成。
分块大小按文档类型调整：制度与合同偏小，手册与教案偏大；调整后需要重建索引，重建期间旧索引仍可查询。
使用边界
适合批量整理历史资料、统一多人查同一份文档的场景。不适合把图片当数据库做精确计算，也不适合需要逐字还原排版的设计稿。
文档解析只处理文字与表格，不识别流程图语义，也不做图片内容理解；这类材料建议附一份文字说明再入库。