从文档到知识单元：建模的四步

文档建模，指的是把一份文件从「一个整体」拆成一组可被检索、可被引用、可被授权的最小知识单元。文档能读，不等于知识可用 —— 一份 80 页的制度汇编能被完整打开，却回答不了「这个流程谁签字」这样一句话的问题，差别就在有没有做建模

为什么文档不能直接当知识用

把整份文件直接投喂给检索系统，会遇到三个具体障碍，而且都不是靠换模型能解决的：

• 找不到：问题指向一句话，返回的却是一整份文件，用户还要自己进去翻。
• 引不准：回答引用的是整份文档，无法定位到具体条款，业务方无法核对。
• 授权不了：权限只能给到文件粒度，一份文件里既有公开内容也有受限内容时，只能整份收紧或整份放开。

建模的四步

这四步是顺序关系，前一步没做完，后一步会反复返工。

• 一、定单元：确定最小的知识单元是什么 —— 一条制度条款、一个操作步骤、一组参数，还是一问一答。
• 二、定边界：明确单元从哪里开始、到哪里结束，尤其要处理跨页续表、附录与例外说明的归属。
• 三、定字段：为每个单元记录来源、时效、密级、责任人，缺哪一项都会在后面某个环节暴露。
• 四、定关系：记录单元之间的引用与上下级，例如条款属于哪一章、参数适用于哪一型号。

最容易省掉的是第四步。省掉之后，单个单元看起来都对，但一旦问「这条规则有没有例外」，系统就答不出来，因为例外与正文之间没有连线，检索不到彼此。

与元数据的分工

建模与元数据常被混在一起谈。可以这样区分：建模回答「知识被切成什么形状」，元数据回答「每一块知识归谁管、什么时候有效、谁能看」。形状错了，元数据无从附着；元数据缺了，形状再整齐也无法治理。两件事都是入库前必须做好的，很难靠上线后再补。

三种常见的建模误判

建模阶段最费的往往不是手工量，而是口径上的分歧。下面三种判断出现频率最高：

• 按页码切：把每页当一个单元，看起来整齐，实际上把跨页的条款与续表切断了。
• 按导出格式切：以表格文件或文档的格式边界作为知识单元，忽略了同一条规则可能分散在表格与正文两处。
• 按部门切：以归档部门划分单元，忽略了同一条流程横跨多个部门的实际情况。

这三种误判的共同点，是把「方便归档」当成了「方便使用」。建模的判据应当来自使用侧：谁会在什么问题下需要这一段，以及他需要看到多少上下文才不会误解。

验收口径

• 随机取一个业务问题，系统返回的是能直接读的片段，而不是一份文件。
• 每条片段都能追溯到具体文件的具体位置。
• 同一份文件里的不同片段可以有不同的密级与责任人。
• 提问「这条规则有没有例外」时，系统能带回关联单元，而不是直接答没有。