RAG项目填坑记录：表格检索、标签丢失
最近在做一个文档问答的项目，遇到几个之前没碰到过的问题，记录一下解决过程。
一、表格内容召回了但答不出来
现象
文档里有三张表，表1是数据字典，表2是评估标准，表3是飞行规则。
表1相关的问题都能答对。表2和表3，检索能命中对应的chunk，但模型给不出正确答案，或者给的数据对不上。
排查过程
我用的是Docling做文档解析。看了一下解析后的chunk内容，发现问题出在表格转文本这一步。
表1结构简单，就是两列：字段名和含义。转成文本后大概是"字段A：xxx，字段B：xxx"这种格式。即使表头在切分时丢了，每一行数据本身是自解释的，模型能看懂。
表2和表3不一样。它们有复杂的表头，比如第一行是合并单元格的分类标签，下面才是具体数据列。Docling处理这种表时，表头被放到chunk_0，数据行被分到后面的chunk。当用户提问命中数据行那个chunk时，模型看到的只有一堆孤立的数字和短文本，不知道这些数字对应什么列，自然答不出来。
解决办法
我试了几个方案，最简单有效的是入库前把列名复制到每一行数据上：
def process_table(df): # 把多级表头展平，合并成一层的列名 if isinstance(df.columns, pd.MultiIndex): df.columns = ['_'.join(col).strip() for col in df.columns.values] chunks = [] for _, row in df.iterrows(): line = "，".join([f"{col}为{val}" for col, val in row.items() if pd.notna(val)]) chunks.append(line) return chunks这样每个数据chunk都带上了列名信息，模型看到的是"最大飞行速度为0.8"而不是"0.8"。
另外两个备选方案也可以考虑：一是用模型把表格转成自然语言描述再入库；二是表格行数不多的话整表作为一个chunk不切分。根据你的具体情况选。
二、文档开头的chunk召不回来
现象
文档开头部分的内容（比如GUI框架、开发语言这些信息）永远检索不到。看了一下，chunk_0解析时CUDA报错了，标签没提取出来。chunk_17也是类似问题，抛了个'level2'的key error。
Docling依赖层级标题检测来给chunk打标签，文档开头如果有特殊格式（扉页、目录、图表），解析器容易崩。没标签的chunk在检索时权重很低，基本等于沉底。
解决办法
这两个chunk每次都是稳定受害者，我的处理方式比较直接：
- 给这些特定ID的chunk手动补标签，从正文截取前几十个字作为标签
- 干脆把它们从检索池里移出来，单独挂到系统提示词里。因为文档开头通常是背景介绍，不是高频问答内容，放固定上下文里反而更稳定
三、多路召回的配比问题
原来的做法
我用了两路召回：BM25做关键词匹配，向量做语义匹配。一开始是按常规做法，把两路分数加权求和，或者固定比例（比如语义3条、关键词2条）组Top-K。
效果不太好。
问题在哪
BM25的分数和向量相似度分数根本不在一个量级上。向量相似度在0.5到0.9之间，BM25经常跑到十几甚至更高。强行加权或者归一化，总有一方的贡献被压掉。
更关键的是，关键词匹配和语义匹配召回来的东西交集很小。用户问精确编号（比如"规则4.2.1"）的时候，语义召回来的基本都是泛化内容，关键词那边找到了大量命中的chunk，但因为只分配了2个名额，正确答案被截掉了。
现在的做法
改成两路各自独立召回，不限制比例，合并去重后全部塞给模型，允许最终数量大于K。
具体来说就是语义召5条，关键词也召5条，合并去重后可能有7到9条，全部送给LLM。
效果比加权混合好不少。现在模型上下文窗口都够大，多喂几条不影响，但召回率提升明显。
如果想进一步控制最终数量，可以用RRF（倒数排名融合）来做合并排序，它只看每路召回中的排名次序，不看具体分数，比加权求和合理。
总结
这次踩的几个坑，核心就三点：
- 复杂表格转文本后结构容易丢，入库前做行级列名粘连能解决大部分问题
- 解析器不稳定导致的标签丢失，可以手动兜底，特定chunk直接物理隔离
- 多路召回不要强行配比或加权，各自独立召回再合并，效果更稳
记录一下，希望对遇到类似问题的同学有帮助。
