清理噪声
并按语义切分

先理解今天的原理

切分决定检索系统能够取回什么单位。按固定字符粗暴切分可能把步骤、警告和适用条件拆开。优先沿标题、段落、列表和完整问答边界处理。

清洗负责删除菜单、重复页眉和乱码，但不能自由改写事实。片段需要携带来源、章节、版本、权限和相邻关系，才能在回答时解释出处。

为什么今天要做这件事

1. 噪声会占用召回位置并造成错误匹配。
2. 完整语义片段可以保留问题、条件和结论。
3. 元数据支持引用、过滤、版本更新和删除。

开始前检查

这是第 03 天。先完成下面的检查，再开始操作。缺少关键材料时，先补材料，不要让 Agent 猜。

1. 统一文本与原件可以一一对应。
2. 准备五个真实问题，用来观察理想片段。
3. 确定片段必须保留的元数据字段。

一步一步完成

第 1 步：删除重复菜单、页眉页脚和无意义空白

先把这一项单独完成，再继续后面的动作。操作过程要留下可以检查的材料，方便发现偏差时回到当前步骤。

1. 删除重复菜单、页眉页脚和无意义空白。
2. 记录输入、实际动作和得到的结果。
3. 对照今日目标检查；结果不一致时，先保存证据并处理当前问题。
4. 对照今天的目标检查这一项，发现偏差时先处理偏差，再进入第 2 步。

完成这一步后，你应该看到：删除重复菜单、页眉页脚和无意义空白，过程与结果均有可复查证据。

第 2 步：标记标题层级、步骤、警告和问答边界

先把这一项单独完成，再继续后面的动作。操作过程要留下可以检查的材料，方便发现偏差时回到当前步骤。

1. 标记标题层级、步骤、警告和问答边界。
2. 记录输入、实际动作和得到的结果。
3. 对照今日目标检查；结果不一致时，先保存证据并处理当前问题。
4. 对照今天的目标检查这一项，发现偏差时先处理偏差，再进入第 3 步。

完成这一步后，你应该看到：标记标题层级、步骤、警告和问答边界，过程与结果均有可复查证据。

第 3 步：按完整主题切分，必要时保留少量相邻重叠

先把这一项单独完成，再继续后面的动作。操作过程要留下可以检查的材料，方便发现偏差时回到当前步骤。

1. 按完整主题切分，必要时保留少量相邻重叠。
2. 记录输入、实际动作和得到的结果。
3. 对照今日目标检查；结果不一致时，先保存证据并处理当前问题。
4. 对照今天的目标检查这一项，发现偏差时先处理偏差，再进入第 4 步。

完成这一步后，你应该看到：按完整主题切分，必要时保留少量相邻重叠，过程与结果均有可复查证据。

第 4 步：为每片段生成唯一 chunk_id 和来源元数据

这一步会生成后续课程继续使用的材料。文件名、保存位置和内容边界需要写清楚，让第二天重新打开项目时仍然知道它的用途。

1. 为每片段生成唯一 chunk_id 和来源元数据。
2. 打开新材料逐项检查，删除示例占位内容，补上本次真实信息。
3. 记录保存路径，并确认关闭页面或重新打开项目后仍能找到。
4. 对照今天的目标检查这一项，发现偏差时先处理偏差，再进入第 5 步。

完成这一步后，你应该看到：为每片段生成唯一 chunk_id 和来源元数据，产物内容完整并且可以重新找到。

第 5 步：抽查五个问题，确认答案所需条件没有被拆散

这一步负责确认事实。请以当前页面、文件或命令输出为准，同时记下来源、版本和检查时间，避免只凭印象继续操作。

1. 抽查五个问题，确认答案所需条件没有被拆散。
2. 把看到的实际信息摘出来；教程与本机不同的地方单独标注。
3. 保存链接、截图或命令输出，确保之后可以复查。
4. 对照今天的目标完成最后检查，确认所有证据已经保存。

完成这一步后，你应该看到：抽查五个问题，确认答案所需条件没有被拆散，相关来源和实际结果已经保存。

---
chunk_id: DOC-001-C03
source_id: DOC-001
section: 本地启动
version: 2026-08-19
access: internal
previous: DOC-001-C02
next: DOC-001-C04
---

## 本地启动
前置条件：Node 版本满足项目要求。
操作：在项目目录安装依赖并运行本地脚本。
正确结果：终端显示本地地址，页面可以打开。

# 第 03 天操作记录

## 今天使用的入口与版本

## 实际完成的步骤
- [ ] 1. 删除重复菜单、页眉页脚和无意义空白。
- [ ] 2. 标记标题层级、步骤、警告和问答边界。
- [ ] 3. 按完整主题切分，必要时保留少量相邻重叠。
- [ ] 4. 为每片段生成唯一 chunk_id 和来源元数据。
- [ ] 5. 抽查五个问题，确认答案所需条件没有被拆散。

## 保存的证据
- 文件：
- 截图：
- 命令或测试结果：

## 与文章不同的地方

## 下一步

这次真实操作得到了什么

1. Harness 3 个、工作流 3 个、知识库规则 3 个、旧端口说明 1 个；每片段带路径、章节、chunkId 和哈希。

本次实际结果：答案可以从片段回到唯一原件和具体小节。

正确结果长什么样

完成操作后，用结果来判断今天是否学会。页面能打开或命令能运行，只能说明流程启动了；下面这些证据同时出现，今天才算完成。

1. 重复导航、页眉页脚和乱码已清理。
2. 片段没有把关键条件与结论拆开。
3. 每个片段都有唯一编号、来源、版本和权限。
4. 五个真实问题都能对应到合理片段。

常见错误与恢复

留给明天的材料

结束前把今天的关键结果保存到项目目录。下一天会直接使用这些材料，保存清楚可以减少重复说明和错误猜测。

1. 清洗后的文本。
2. 带完整元数据的片段目录。
3. 五个问题与理想片段对照。