DeepSeek 切 300 页手册：定切片方案再测检索命中

一句话结论

别把整本手册塞进知识库。按标题切成 200~400 字的小块，再用 20 条真实问题测 Top3 命中，两轮就能把切片方案定下来。

这篇解决什么问题

公司有一本 300 页上下的产品手册，想做成能问答的知识库。整本丢进去，问「三级报警怎么复位」，召回来的常常是前言或者目录页。

适用：章节标题清楚的说明书、规范、操作指引这类文档。不适用：纯扫描件、没有文字层的图文混排件，那种得先做 OCR，切片是下一步的事。

开始前要准备什么

• 一个能建知识库的工具，扣子、Dify 都有免费额度，够跑测试
• DeepSeek 的接口或网页版，用来做结构整理和切片判定
• 手册原始 PDF，外加一份能复制出来的文字版
• 20 条真实提问，从客服工单和内部群里捞
• 一张四列表：问题、召回块、答案在不在、本该命中哪节
• 整条流程跑一遍，通常一个下午能收工

具体怎么做

第 1 步 · 先把手册变成带层级的文本

转文字这一步不难，难的是标题层级全丢了，转出来一片平文。哪儿该切、哪儿不能切，后面就只能靠猜。

你是文档结构整理助手。我给你一份从产品手册转出来的纯文本，请做三件事：1. 识别标题层级，用 # / ## / ### 标注；2. 去掉页眉、页脚、页码，以及每页重复出现的公司名和版权行；3. 把表格转成 Markdown 表格，图注单独成行并保留原有图号。输出要求：只输出整理后的正文，不要解释过程；章节编号原样保留，不要重排；识别不出层级的行，在行尾加 <!– 待确认 –> 标记。文档内容如下：””” {粘贴转出的文本} “””

预期产出：一份带标题层级的结构文本，页眉页脚清干净，图注和表格都在原位。这一步的人工量在于校对标题，机器标错的地方得自己改。

第 2 步 · 让模型只判断「该不该拆」

我一开始直接让它切，结果块大小全凭它心情。后来把动作拆开：先只让它出一张处理方式表，人过一眼再动手。

你是知识库切片顾问。下面是一份手册的目录结构，我要切成适合检索的小块，请判断哪些章节整节保留、哪些必须再往下拆。判断依据：一节正文超过 600 字且含多个操作步骤或多张参数表，需要拆；一节是概念解释、术语定义，整节保留；一节是多张对照表，按表拆，一表一块。输出一张三列表：章节编号 | 处理方式（保留/拆分/按表拆） | 建议块大小区间。不要输出正文内容。目录如下：””” {粘贴目录} “””

预期产出：一张可以直接照着执行的处理方式表。表里标「按表拆」的那几节，往往就是后面检索最容易翻车的地方。

第 3 步 · 批量切片并补上上下文前缀

切完最麻烦的不是块多，是块里全是「它」「该值」「上述参数」。单看一块，谁也读不懂它在说哪个型号。

你是切片执行器。把下面这段手册正文切成若干块，规则如下：每块 200~400 字，不跨小节标题；每块开头补一行上下文前缀，格式为【手册名 > 二级标题 > 三级标题】；代码、参数表、命令示例整块保留，不许切断；文中的代词（它、该值、上述）替换成具体名词。输出 JSON 数组，每个对象含四个字段：chunk_id（从 01 递增）、section_path、text、note（一句话说明这块讲什么）。正文如下：””” {粘贴一章正文} “””

预期产出：一批带章节路径和一句话摘要的切片。那个 note 字段后面会很有用，检索失败时一眼能看出块本身是不是讲偏了。

第 4 步 · 攒 20 条真实问题，跑第一轮

自己编的问题最容易自欺欺人——用词和正文高度一致，命中率好看得离谱。真实提问往往是「屏幕一直闪红灯是咋了」这种。

我在给一份产品手册做检索测试，需要一组贴近真实提问的测试题。请根据下面的章节清单出 20 条问题：12 条是「怎么办」「报错怎么解决」类，模拟一线使用者的口语问法；5 条是跨章节对比问题，比如两个型号的差异；3 条是术语解释。每条问题后面用括号标出你认为应该命中的章节编号。问题里不要直接复用章节标题的原词。章节清单：””” {粘贴目录} “””

预期产出：一份 20 条的测试问题集，每条都带标准答案章节。建议从客服工单里挑几条替换掉模型生成的，那几条才是真话。

第 5 步 · 看失败样本，回改规则再跑一轮

命中率卡住不动的时候，多数不是检索模型的问题，是切片边界把答案劈成了两半。这一步别急着换工具。

下面是几条检索失败记录，每条包含：用户问题、实际召回的前三块摘要、人工判断该命中的章节。请逐条判断失败原因，归到四类之一：切片边界切断了答案 / 缺少上下文导致指代不清 / 问题用词和正文差距太大 / 手册里根本没有这个内容。输出格式：问题编号 → 原因分类 → 一句话改法（改切片规则，还是补同义词表）。记录如下：””” {粘贴失败记录} “””

预期产出：一份失败归因清单，直接告诉你下一轮该动哪条规则。多数情况下来回改两轮，命中就稳住了。

实测记录

成本上没什么压力，消耗的 token 量级跑一两次免费额度基本能覆盖。和手工翻 PDF 对照相比，前期多花的两三个小时，都省在后面反复被人问同一个问题的工夫里。

最容易错的 3 个地方

1. 按固定字数硬切。一刀下去参数表被劈成两半，检索永远只召回半张表。纠正：把表格和代码块设成不可切分单元。
2. 只记「有没有搜到」。搜到了但答案不在块里，也算失败。纠正：表里加一列，判断答案是否真的落在召回块内。
3. 拿自己写的问题测。用词和正文重合度太高，命中率虚高。纠正：至少一半问题来自真实工单原话。

可复用的东西

这五段提示词其实是一条流水线：结构整理 → 判定处理方式 → 批量切片 → 生成问题集 → 失败归因。每段的输出都是下一段的输入，中间人只需要在校对和过目这两个卡点停一下。把占位符换成你自己的章节内容，直接能跑。

切片方案不用一次定死，先出一版能跑的，让命中记录告诉你哪儿不对。你手上那本手册，最难切的是哪一章？

如果你也经常要做这件事，欢迎在评论区说说你的卡点和做法；也可以留言告诉我，你想看哪个岗位的哪件活怎么用 AI 拆。

admin 普通

收藏 海报 链接