icew23

我刚好也在做类似事情（不过是知识库搭建），最近也在反复想这个问题。

我现在的理解是，向量库本身可能不是最终答案，它更像是最后“找到原文证据”的一个环节。真正难的是前置处理：怎么把原始内容整理成后面能稳定召回、能解释、能复用的结构。

我的思路大概是：

1. 先用 AI 对原文做一轮标签化；
2. 再提取一部分结构化信息；
3. 对于一些“不是很像人话”的内容，或者表达很绕、噪声很多的内容，先做归纳和清洗；
4. 但原文不丢，结构化信息只是为了帮助检索和过滤；
5. 真正回答用户问题时，还是根据标签 + 结构化信息 + 向量/关键词召回，最终找到原文片段，再把原文喂给 AI 一起分析。

也就是说，前面做标签、摘要、结构化，并不是为了替代原文，而是为了最后能更稳地找到原文。因为很多时候用户问的问题不是刚好命中某一句，而是命中一个场景、一组枚举、一个上下文范围。如果只靠 embedding topK ，确实很容易只捞到相似的一小段，然后漏掉后面连续的条目或者条件说明。


目前我的想法是，AI 前处理更像是给原始资料建立“索引层”和“导航层”，而不是把原文压缩成一个最终答案库。原文仍然是最终证据来源。

zed ？