应分格式单独上传、转为utf-8 txt、通过api注入元数据、启用按类型边界的分片策略。四步分别解决混合格式导致的内容截断、段落错乱及识别失败问题，确保pdf与word文档被准确解析和索引。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
如果您在豆包企业知识库Bot中上传了包含PDF与Word混合格式的文档集合，系统可能因格式解析路径不一致而出现内容截断、段落错乱或部分文件未被识别。以下是解决此问题的步骤：
一、分格式单独上传并标注来源
豆包企业知识库Bot不支持一次性批量混合上传不同格式文档，需将PDF与Word文件拆解为独立单元上传，以确保每类文件走对应解析通道，并避免格式冲突导致的元数据丢失。
1、将所有PDF文件归入一个文件夹，所有Word（.docx）文件归入另一个文件夹。
2、进入企业知识库Bot管理后台，在“知识文档”模块点击“新增文档”，每次仅选择同一格式的全部文件（如只选PDF）。
3、上传完成后，在文档标题后手动添加括号标注格式，例如：《2025年度审计报告》（PDF）、《合同模板V3》（Word）。
4、重复操作完成另一类格式上传，确保两类文档在知识库中呈现为独立条目，且可分别触发对应解析引擎。
二、统一转为纯文本中间格式再导入
绕过原生格式解析差异，将PDF与Word均预处理为结构清晰的UTF-8编码TXT文件，由豆包Bot统一按文本流加载，规避格式层干扰，适用于对排版依赖低、侧重语义检索的场景。
1、使用WPS或Microsoft Word打开每个Word文档，点击「文件」→「另存为」→ 选择「纯文本（*.txt）」，勾选「UTF-8」编码，保存。
2、对PDF文件，若为文字型PDF，用Adobe Acrobat或福昕阅读器打开，执行「导出PDF」→「导出为文本（.txt）」；若为扫描型PDF，先用WPS OCR识别为Word，再按步骤1转为TXT。
3、将全部生成的TXT文件重命名，保留原始业务标识，如audit_report_2025.txt、contract_template_v3.txt。
4、在企业知识库Bot中上传全部TXT文件，系统将以一致方式提取全文本并建立向量索引。
三、通过API预注入结构化元数据
利用豆包企业版开放API，在上传前为每份文档注入格式类型、页码范围、章节锚点等结构化字段，引导Bot在混合解析时按元数据路由至适配模块，提升跨格式上下文连贯性。
1、准备JSON元数据模板，为每个文件定义type、source_format、page_count、section_headers等键值，例如：{"type":"policy","source_format":"pdf","page_count":12,"section_headers":["适用范围","责任主体","生效日期"]}
2、调用豆包企业知识库API的/upload_with_metadata端点，将PDF或Word二进制流与对应JSON元数据一同POST提交。
3、确认响应状态码为201且返回document_id，表示该文件已绑定格式上下文入库。
4、对全部混合文档重复执行步骤1–3，确保每份PDF与Word均携带显式格式声明，避免Bot默认按单一策略解析。
四、启用文档分片策略并人工校验边界
针对混合文档中可能出现的PDF附录嵌入Word正文、或Word中插入PDF截图等嵌套情形，启用基于语义边界的自动分片机制，强制Bot在格式切换处切分chunk，防止跨格式语义污染。
1、在知识库Bot设置中开启「高级分片」选项，选择「按文档类型边界自动切分」模式。
2、上传混合包前，将PDF与Word文件按逻辑顺序编号，如01_intro.docx、02_data.pdf、03_appendix.docx，确保文件名体现流程顺序。
3、上传后进入「分片预览」界面，检查每个chunk的source_file字段是否严格对应原始格式，发现跨格式chunk（如chunk含.docx标识但内容为PDF OCR文本）即标记为异常。
4、对异常chunk执行「重新解析」操作，手动指定其真实格式类型，强制Bot调用对应解析器重载。
