文档检索系统：解析、索引和可定位证据

找到包含关键词的文件不表示找到支持结论的段落，检索应保存内容位置和版本。

解析、切分与索引影响可检索内容。页码、章节、表格和附件有不同结构，纯文本结果可能丢失原来的关系。

一、问题的范围与前提

数据类型、单位、身份、时间与质量构成一份完整观测。传输格式相同不说明物理含义相同，接收成功也不说明数据新鲜。聚合与展示是派生层，应能回到输入范围与转换规则。

扫描文件先需要可靠文字和布局，文本文件则检查编码与章节。表格如果只摊平成一串单元格，字段与值的关系可能丢失，检索即使命中也无法支持正确解释。为每个内容块保存原始位置与文件版本，答案才能回到原页。资料替换以后，索引和引用同步处理，不把旧段落绑定到新文件。

建立测点和字段字典，明确空值、错误码、复位和晚到数据的处理。数值计算由确定性程序完成，保留版本和必要输入；文本解释只描述实际计算结果。按统计对象和时间窗口组织数据，避免不同分母或单位被放到同一比较中。

按这个顺序保留中间结果，可以区分输入条件、处理过程和最终输出。前一阶段的条件不成立时，先解释对应错误，再继续后面的试验；单次返回成功不足以覆盖整条链路。

文件版本 → 页面/章节 → 内容块 → 检索结果
主张 → 直接支持证据 → 引用位置

解析命中不代表证据支持，表格和图注需要保留关系。检索片段保持原始位置，修订材料后避免新正文绑定旧索引。

样本核验覆盖边界、缺测、重复和异常范围，保存被排除数据的理由。图表与正文引用相同版本，公式改变后对应结果也更新。高频采样不自动拥有更大业务权重，统计方法应符合物理量与任务目标。

验证导入失败、晚到补传、重复记录和配置修订。系统不应把无效数据默默转换成正常零值，也不为了曲线好看隐藏缺失。涉及真实人员或业务敏感资料时，示例只保留脱敏结构，不公开原始附件。

搜索命中不等于证据支持，扫描件和复杂表格还需独立解析校验。

这条路径把“确认文档格式和版本”与“返回原始位置与上下文”连在一起，中间保留可复查的条件。实施时优先确认“表格字段不乱序”，再检查“文件更新不会混用旧索引”；两者都满足，才能在当前样本与配置范围内评价方案。设备、数据或软件版本改变以后，相关假设需要重新验证。