同一份制度的草稿和正式稿混在一起，检索再快也可能找到错的版本。
这批资料要回答什么问题？
先确定谁来使用、要查什么、资料由谁维护。制度查询、产品支持、项目文档和历史档案，通常不适合毫无区分地混放。
同时明确权限：哪些资料只能在本机保存，哪些可以上传云端，哪些内容允许发给模型服务。给资料指定维护人和更新周期，避免长期返回失效信息。
先处理版本和重复
草稿、修订稿和正式稿并存时，需要明确哪份有效。文件名里的“最终版”“最新修改”不足以让检索系统判断。
记录文档名、版本、发布日期、适用范围、类型和负责人。重复文件可以按内容哈希识别，而不只比较文件名。需要保留历史版本时，将生效时间写进元数据。
让标题和表格保持原本的结构
真实标题样式、可编辑表格和连续段落更容易稳定读取。用空格对齐、把文字截成图片，会增加解析难度。
标题
保留章节层级，不只靠字号和加粗表示结构。
表格
保留标题、单位和统计口径。不要只用颜色或位置表达关键含义。
图片与扫描件
关键文字需要 OCR，图表需要必要说明。抽查识别结果与原件是否一致。
重复元素
在解析时识别页眉、页脚和水印，避免每个检索片段都混入相同内容。
切片要保留上下文
优先按章节、段落、列表和表格边界形成片段，再根据内容长度调整。
片段太小会丢上下文，太大又会混入无关内容。制度条款、操作步骤和表格记录，应按各自结构处理。每段都要保留文件、章节、页码和版本信息，方便回答时引用。
用真实问题验收
“已索引”表示处理流程完成，不代表找得到正确答案。准备实际用户会问的问题，检查召回内容和来源。
资料里有答案
能否找到正确版本与章节，引用能否回到原文。
资料里没有答案
是否把相似但无关的内容当成依据。
资料刚更新
旧版本是否退出当前检索，新版本和引用是否完整。
检查清单
- 明确使用目的、权限与维护人。
- 去掉重复文件，确认有效版本。
- 补齐日期、适用范围和来源等信息。
- 抽查标题、表格、扫描页与关键数字。
- 测试有答案、无答案和文件更新三类问题。