周一早上老板在群里发了一句：能不能让 AI 照着咱们自己的制度文件回答问题？别老让人翻共享盘。
我说能。
这活的核心其实不复杂：模型不知道你们公司的规定，你得在它回答之前，先把相关的那几段找出来，一起塞进问题里。找哪几段、怎么存、怎么按问题去捞，这些碎活就是 LlamaIndex 管的（同类还有别的库，路数差不多）。名字里带个 Index，干的就是建索引这事儿。
我当时的想法很朴素：把文件全给它，剩下的它自己办。
documents = SimpleDirectoryReader("Z:/制度汇编").load_data()
index = VectorStoreIndex.from_documents(documents)
两行，跑起来了，没报错。我还挺高兴，截图发群里说"通了"。
然后是下午
第一个来问的是财务的同事："差旅住宿标准是多少？" 模型答了一个数，还挺笃定。她回了一句"这是哪一年的"，我去翻，发现它引的是 2021 版，而 2024 版就在同一个文件夹里。
问题出在切块上。文件会被切成一段一段存起来，切的时候按字数切，不管标题。于是"2024 年修订"这个标题和下面的表格被切到了两块里，捞出来的时候只捞到表格，年份信息留在隔壁那块没被带上。模型看见一串数字，只能猜。
再往下查，更热闹：
- 三十来份是扫描件，一整页就是张图，读出来是空的。这类得先过 OCR，是另外一步。
- 报销标准那张表，被读成了一整行没断句的数字，"800 600 400" 连在一起，谁也不知道哪个对应哪一级。
- 有两份文件名是乱码，Windows 上能打开，脚本读的时候直接跳过了，日志里一句话都没留。
- 还有几份是老 Word 转的 PDF，页眉每页都重复一遍"内部资料 请勿外传"，切完之后这类废话占了一堆块。
我原本以为"喂文件"是个导入动作，干了一天才明白它更像整理档案：先分出哪些能读、哪些是图、哪些过期了，再决定按什么切。库只负责后面那一截。
第二天我改了流程，先人工挑出还在用的十几份，扫描件单独走 OCR，表格单独转成文字描述，切的时候尽量贴着标题切。再问那个住宿标准，答对了，还带上了文件名。
至于那句"内部资料 请勿外传"，我到现在没想好怎么干净地去掉。直接全局替换吧，怕有的正文里正好也提到；不管吧，检索的时候它老冒出来占位置。这事先搁着了。
被奇怪文件磨出来的不止我们，VidDown 上做格式转换那几个工具也一样。
老板后来又问了一句"那能不能连合同也一起"，我说这个我们再聊聊。