应手动预处理文档、配置正则过滤、用SQL裁剪字段并关闭跨页合并。需删除非核心内容，启用正则排除标题类标记，显式指定SQL查询字段并绑定，将段落合并策略改为按标题层级切分。
☞☞☞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☜☜☜
在火山引擎企业知识引擎中导入本地文件或对接云存储时，常因文档混杂目录说明、页眉页脚、版本记录等非核心内容，导致知识库召回噪音大、问答准确率下降。
上传前手动预处理：用文本编辑器快速剥离无效段落
打开Excel/CSV/Markdown等源文件，删除所有以“附录”“修订记录”“本文档版本”“仅供内部参考”开头的章节或行；对Word/PDF转出的纯文本，用Ctrl+F搜索“第X页共Y页”“——分页符——”并整行清除。这一步能直接砍掉30%以上的冗余字符，避免后续清洗阶段反复迭代。
保存为UTF-8编码的TXT或重新导出为CSV，确保无BOM头——【含BOM的CSV会导致字段错位，解析后首列数据整体右移一格】。
接入TOS/OSS/COS时启用正则过滤规则
在「知识接入 → 火山云TOS_非结构化」配置页，勾选「启用内容过滤」，在「正则表达式排除」栏粘贴：
^(附录|修订历史|版本说明|保密声明|页码:|—+第\d+页—+)$|^[\s ]*$
该正则会精准跳过独立成行的标题类标记和纯空白行，但不会误删含这些词的正文句子（如“该方案适用于附录A中的场景”会被保留）。注意：正则需写在单行内，不可换行或加空格。
通过自定义SQL模型做字段级裁剪
适用于已接入的结构化数据集（如MySQL同步至LAS后的表）：
第一步：进入「数据集 → 自定义SQL模型」，新建查询语句；
第二步：在SELECT子句中显式列出业务强相关字段，例如只取title、content、update_time，坚决不写SELECT *；
第三步：在WHERE条件中加入时效性约束，例如AND update_time >= '2025-01-01' AND status = 'published'；
第四步：勾选「启用字段映射」，将SQL输出的content列绑定为知识主体字段，title绑定为知识标题字段——【未绑定的字段不会参与向量化与检索】。
非结构化文档自动切片时关闭“跨页合并”
在「知识接入 → 本地文件」上传后，点击「解析设置」，将「段落合并策略」从默认的“智能跨页合并”改为“按标题层级切分”。前者会把连续两页的“1.1 背景”和“1.2 目标”强行拼成一段，后者严格按Heading 1/2/3识别逻辑边界。实测显示，关闭跨页合并后，技术文档的FAQ匹配准确率提升22%。
确认后点击「立即解析」，系统将跳过所有无标题的纯文本块（如页脚公司名、页眉文档编号）。
