“可搜索”应该是什么标准
文件夹搜索只是按文件名找到文件。知识库要回答一个问题，并指出支撑答案的那一页，让你一次点击就能核对。
开始之前先定标准：任何回答都应返回文件名、页码和一段短引用。做不到，你手里就只是文件柜，不是知识库。
第一步：按页提取文本
按页提取，而不是按整份文档提取。按页提取是之后能引用页码的前提。原始文件也要保留，没有页码的引用很难核对。
扫描件需要先做 OCR。提取后抽查几页，尤其是表格和脚注，这两处最容易读坏。
第二步：建立索引
每个小节一条索引，而不是每份文档一条。每条带上文件、页码、主题和一段短摘要。小条目检索更准，整篇摘要容易把细节抹平。
再加一层主题结构：哪些文件在回答同一类问题，它们在哪里分歧。这一层才能支持比较类提问，而不只是查找。
第三步：回答必须带引用
让所有提问都对着索引回答，并要求答案给出文件名与页码。索引里没有对应条目时，正确回答是“没有找到”，而不是给一个看起来合理的猜测。
留一组十题的测试集，标明每题应该引用哪些页。每次重建索引后跑一遍。索引一改，测试集就能告诉你检索是变好了还是只是变了。
常见问题
把 PDF 变成可搜索的知识库要花多少成本？
主要成本在提取和核对，不在存储。先从一个主题、二十份文件开始，足够看清提取会在哪里出错。
能同时搜索多份 PDF 吗？
能，前提是每条索引都带文件和页码。跨文件提问正是需要主题结构的原因。
PDF 是扫描件怎么办？
先跑 OCR，再抽几页人工核对。表格、脚注和手写内容最容易出错。
怎么保证回答不瞎编？
要求每个回答都有引用，并保留一份带已知页码的十题测试集。答不出页码时，按“没有找到”处理。
下一步
选一个主题，放二十份 PDF，在提第一个问题之前先把索引建出来。