1、文本切分：500-100字符/chunk，设10%-20%重叠防信息割裂。

2、PDF解析：要做结构感知，用LayoutLM画出边缘线再提取文字或者用GPT-4V/Llama Pass把PDF转成文字再提取文字，核心就是让机器看清楚文档结构，避开基础库乱码

3、存储格式：坚持Markdown，主流的大模型利用了github上大量的md文件加入了训练，对此格式敏感，理解度高。对后续的检索和生成的准确性会大幅度提升

三者环环相扣，从文本切分的语意完整 到 PDF结构准确性 再到 数据存储的格式适配性。把这三个基础环境做扎实RAG的效果就会有很大提升