上一篇我们看到，一份资料要经过读取、解析、清理、切块和向量化，才会进入 RAG 的索引。真正容易被低估的，并不是如何调用 Embedding API，而是交给 Embedding 模型的内容究竟是什么。

如果原始文件中的标题、表头、否定词和段落关系在解析时丢失，后面的向量只是在准确表达一份已经损坏的文本。系统启动时通常看不出这个问题，直到用户提问时才发现：知识库里明明有答案，检索结果却总是找不到它。

这篇文章从原始资料开始，完整走一遍文档处理过程。我们先看文件如何被读取和解析，再讨论清理与标准化，最后进入语义切块，并说明参数应该怎样选择、上下文如何保存以及结果如何检查。