企业知识库的「可溯源」，到底要溯到哪一层
今年上半年参与了一个企业级知识库平台，我负责文档解析和入库这条链路。客户提的要求里有一条叫”可溯源”，一开始我以为是给答案标个来源文件，后来发现远不止。
客户要的溯源
客户是做工程的，知识库里是规范、图纸说明、历史项目资料。他们问一个问题，模型答了，他们要能：
- 看到答案引用了哪份文件——这是最基本的。
- 点开直接跳到那一页——不是打开文件从头翻。
- 页面上高亮到那一段甚至那个表格——因为他们要核对模型有没有改数字。
第三条才是真正的”可溯源”。答案里说”允许偏差 0.05”，他们要一眼看到原文表格里那个格子。
三级映射
解析入库的时候，每个切片带三层位置信息：
向量（检索命中的单位）
└── 结构化区块 ID（标题 / 段落 / 表格 / 图片，带层级）
└── 原文位置（文件、页码、页面内 bbox 坐标）- 检索命中的是向量。
- 向量对应一个结构化区块，区块知道自己是哪个章节下的第几个表格。
- 区块记录了原文页码和坐标框，前端用坐标在 PDF 上画高亮。
表格和图片单独处理：表格区块保留单元格结构，图片区块存缩略图引用。命中表格时，前端能高亮到行。
切片和溯源的矛盾
切片粒度小，检索准，但一个切片可能跨两个区块，溯源就糊了。切片粒度大，溯源清楚，检索变粗。
最后的做法：切片可以跨区块，但每个切片记录它覆盖的所有区块 ID。 命中后高亮所有覆盖的区块。多高亮一点比高亮不到强。
多格式
平台要吃的格式很杂：Word、PPT、Excel、PDF、网页、Markdown、图片、音视频。二十多种。每种格式的”位置”含义不一样——PDF 有页和坐标，Word 没有固定页，音频只有时间戳。
统一成一个抽象：location = { file, page?, bbox?, timestamp?, cell? }，按格式填能填的字段。前端按字段决定怎么高亮。不追求所有格式都能高亮到坐标，但所有格式都能定位到”哪个文件的哪一块”。
入库链路
上传 ──► 对象存储
──► 解析（按格式分发；PDF 走版面模型，扫描件走 OCR）
──► 切片（记录三级位置）
──► 状态写缓存 / 原始切片写文档库 / 向量写向量库 / 实体关系写图库解析和向量化是异步任务，按”高优先级 / 需要 GPU / 图谱构建”分三个队列，GPU 队列并发压低避免显存打满。
我学到的
“可溯源”不是一个功能，是一条从解析到前端的约束：每一步都不能丢位置信息。 只要中间有一步把位置丢了，后面再想找回来就是重做。这个约束在设计入库链路的第一天就要定下来。