多文档 RAG 实战：一个无关 PDF 文件夹如何被当作带嵌套大纲的长文档处理

在构建企业级检索增强生成系统时，一个朴素却致命的假设悄然流行：只要把所有 PDF 丢进同一个向量库，检索就能自动找到答案。现实往往给出相反的结果。当文件夹里装的是彼此无关的文档——财务年报、产品手册、技术规格、法务合同——它们之间没有统一的元数据字段，也没有共同的分类体系，此时任何试图跨文档建立统一索引的努力，本质上都是在用虚假的一致性掩盖数据的异质性。没有共享字段，就意味着没有可建立索引的东西。这正是本文要讨论的核心命题：与其强行拼接，不如承认差异，用结构化的方式让每个文件自己说话。

从技术原理上看，问题的根源在于检索系统的两个阶段——召回与重排——都依赖某种可比较的表示。当文档缺乏共享字段时，向量召回阶段虽然仍能把语义相近的片段拉出来，但系统无法判断这些片段究竟属于哪一份文档的哪个层级，于是返回的结果往往是碎片化的、失去语境的切片。解决这一问题的关键，不是去发明更复杂的分块算法，而是引入一个轻量的中间层：为每个文件生成一行摘要，同时保留该文件自身的目录结构。这一行摘要充当了文档级的路由标识，让检索系统在第一步就能把范围收敛到具体某一份文件；而文件自身的目录则提供了第二层结构，使系统能够进一步定位到章节。这样一来，整个检索路径被清晰地划分为两层穿透：先从文件夹定位到文件，再从文件定位到章节，每一层都有明确的结构依据，而不是依赖向量空间的模糊相似。

这种设计的商业价值在于它把复杂度从系统内部转移到了数据准备阶段，而这一阶段恰恰是可以批量化、可复用的。传统方案往往试图用一套通用管道处理所有文档，结果是为每种文档类型都定制规则，维护成本随文档种类指数级增长。本文的思路则相反：它不追求对文档内容的深度解析，而是利用每个文件已经内建的结构信息——目录本身就是作者或排版工具生成的层级大纲。生成一行摘要的成本极低，现代语言模型可以在秒级内完成，且不需要针对特定文档类型训练。这意味着企业可以在不组建大型标注团队的前提下，快速为一个包含数千份无关文档的文件夹建立可用的检索入口。对预算有限、文档类型繁杂的中型企业而言，这是一种极具性价比的落地路径。

从行业竞争格局来看，这一做法触及了当前 RAG 赛道的一个分水岭。头部厂商普遍主打端到端的自动化管道，强调开箱即用和零配置，但这套叙事在高度异构的企业文档场景下正在失效。当客户发现系统返回的结果无法定位到具体文档、具体章节时，信任就会迅速流失。而那些愿意承认文档异质性、提供可控分层检索方案的团队，反而能在垂直领域建立更深的护城河。对开发者群体而言，这一思路也降低了试错门槛：你不需要掌握复杂的图数据库或向量索引调优，只需要先理解自己文件夹里的文档到底有没有共享结构，再决定投入多少工程资源。对最终用户而言，最直接的改善是检索结果开始具备可追溯性——你能知道答案来自哪份文档的哪一节，而不是一个无法核实的黑箱输出。

展望未来，值得关注的信号有几个方向。其一，一行摘要与目录的组合是否会演变为一种标准化的中间表示格式，就像早期文本检索中的倒排索引那样成为基础设施。其二，当文档数量继续增长、目录层级继续加深时，两层穿透是否会遇到瓶颈，从而催生出动态扩展的三层或四层路由机制。其三，摘要生成与目录解析的自动化程度能否进一步提升，直到完全不需要人工介入字段对齐。还有一个更根本的问题值得思考：在承认文档无关性之后，系统是否应该主动去发现文档之间潜在的联系，而不是永远把它们当作孤岛。这些都将决定多文档 RAG 从工程技巧走向成熟方法论的路径。