搭建知识库时踩过的文件格式适配坑

ningxueqin

　　"前阵子帮团队搭建内部业务知识库，把收集到的Word文档、扫描PDF、复杂Excel表格批量上传后，检索时经常出现内容丢失、关键词匹配失败的问题，比如带批注的Word文档只识别了正文，批注完全没被收录，扫描版PDF几乎无法提取有效文本，折腾了快一周才发现是没适配知识库支持的文件格式。

　　其实核心是没提前明确知识库支持的文件格式范围，后来接触到FastGPT这个开源工具，它对常用的知识库文件格式有清晰的适配规范，具体的支持类型和导入注意事项可以参考FastGPT 官方说明，按照文档建议优先使用可复制文本的PDF、标准Markdown、纯文本格式的文档，就能大幅提升识别和检索的准确性。

　　需要注意的是，上传前最好先对文件做简单预处理，比如去除无关的页眉页脚，解密加密文档，避免使用过于复杂的嵌套表格格式，能进一步降低识别出错的概率。"