清洗与分段
把 iSlide Open API 文档整理成可进入知识库的结构。
个人实验
用本地 Dify 验证 Open API RAG 的文档组织与生成边界
一次用控制变量拆分检索与生成问题的个人学习验证。
文档检索生成校验
实验范围
问题不是让 RAG 看起来能回答，而是拆清楚错误来自文档组织、检索，还是生成。
我基于 iSlide Open API 文档，在本地 Dify 中搭建 Chatflow，并用 Ollama Qwen 与 bge-m3 跑通从文档分段、混合检索到回答生成的完整链路。
搭建本地链路
使用 bge-m3 混合检索，并由 Ollama Qwen 完成生成。
固定实验配置
固定分段、检索、模型与 Prompt。
比较文档组织
只改变 5 份合并文档与 26 份接口拆分文档。
定位 Bad Case
检查召回、字段改写与证据边界。
收紧生成约束
要求字段来自证据，并为规则校验划定职责。
文档组织 A/B
拆分接口文档，改善了定位，但没有自动解决证据完整性
A 组使用 5 份按业务分类的合并文档，B 组使用 26 份按具体接口拆分的文档；其他 Chunk、Embedding、混合检索、Top K、模型与 Prompt 保持一致。
B 组更容易把具体接口排到前面，也没有丢失完整流程证据，但响应字段仍可能落在另一 Chunk。最终选择 B，是因为它更利于定位接口和区分场景，而不是因为回答已经全部正确。
生成层
拿到正确证据，模型仍会改写字段
4B 模型即使拿到正确证据，仍会改写字段、误用相邻接口或扩大回答范围。我因此降低生成温度，并要求路径、方法、参数和返回字段必须逐字来自证据。
加入约束后，5 条固定问题有 4 条达到核心要求，且未再编造接口路径或字段。剩余问题保留为部分通过，不继续精调到看起来完美。
当前边界
不放大个人实验
这项个人学习验证只包含 5 条固定问题，不是生产系统，4/5 也不是上线准确率。它证明我能用控制变量定位文档、检索、Prompt 和模型层问题，也知道何时应由规则或 Workflow 兜底。
LLM 负责基于证据总结，路径、字段与业务规则需要确定性校验。