在风电、光伏等新能源项目中，标准规范文档（如 GB/T、DL/T、NB/T、企业技术规范）往往具有以下特点：

  • 篇幅长、层级多：章、节、条、款结构复杂；
  • 语句严格但偏抽象：检索时很难直接命中关键条款；
  • 上下文依赖强：单条标准离开上下文经常难以正确理解。

如果把整本标准直接丢进向量库，会带来两个问题：

  1. 切片粒度失衡：有的段太大不利于匹配，有的段太小丢失上下文；
  2. 检索语义模糊：缺乏结构化元信息（关键词、摘要、问题），RAG 难以高质量回答“具体条款+工程场景”。

为解决上述问题，本方案设计了一套专门面向 新能源标准规范 的 Markdown 切片与标记规范，配合 Dify 知识库使用，实现：

  • 章/节级别的 父段（PARENT） 作为上下文容器；
  • 条款/语义单元级别的 子段（CHILD） 作为检索最小单元；
  • 每个父段配套结构化的 META（关键词 + 摘要 + 问题），强化检索与生成质量。

整体架构概览

切片方案的核心思想是：在原 Markdown 文本中不直接改动正文内容， 而是通过 HTML 注释标记 + JSON 切片计划（plan） 来实现可编程的插入与后续解析。

整体组件如下：

  1. 切片规划 Prompt（你提供的 Prompt）

    接收原始 Markdown

    输出一份 JSON 格式的 plan，描述父段、子段与插入位置

  2. PARENT / CHILD 标记体系

    通过 HTML 注释在原文中插入父段/子段标记

    提供 id、title、role、tokens 等结构化信息

  3. META XML 元信息块

    每个父段恰好一个 role="META" 的 CHILD

    承载关键词、摘要、典型问句，专为新能源标准 RAG 优化

  4. 锚点与插入策略

    通过标题、段落、行号估计等信息确定安全插入位置

    避免破坏 YAML front-matter、代码块、公式、表格等结构

  5. 长度与质量控制

    父段 800–2000 tokens；子段 100–300 tokens

    保证覆盖性、不重叠、顺序单调

    通过 violations 字段报告不可避免的偏差

PARENT / CHILD 段模型

PARENT：章/节级父段

父段用于承载一组语义紧密相关的内容，典型对应，比如：

  • 标准中的 “第 3 章 术语和定义”；
  • “5.2 风力发电场选址原则”；
  • “7.3 光伏组件安装及倾角要求”。

父段标记示例：

<!--PARENT id="p005" title="5.2 风力发电场选址原则" tokens="1560" -->

设计约束：

  • 主题粒度：章、节或较大的概念块（自然段落群）；
  • 长度控制：目标 800–2000 tokens，允许 ±15% 浮动；
  • 作用范围：从 PARENT 标记出现的位置，一直到下一个 PARENT 或文档结尾。

在新能源标准场景中，一个 PARENT 通常涵盖完备的一组设计原则或限制条件，例如：

  • 风机机位与居民区、输电线路、机场的安全距离；
  • 光伏方阵的安装倾角、间距与遮挡控制；
  • 并网点选择与电能质量要求。

CHILD：细粒度子段

子段是在父段内部进一步做语义拆分的单元，分为两类：

  • role="CONTENT"：具体条款内容、技术要求、公式说明等；
  • role="META"：对应父段的结构化元信息。

CONTENT 子段示例：

<!--CHILD id="c010" parent="p005" role="CONTENT" tokens="190" -->

在新能源标准中，一个 CONTENT 子段可以对应：

  • 某一条具体规范（如“风机轮毂中心高度处年平均风速不应低于 6 m/s”）；
  • 一组互相关联的条款（如“机位最小间距 + 尾流影响说明”）；
  • 一个与工程实践高度相关的说明段落。

每个父段要求：

  • 至少 1 个 role="CONTENT" 子段（通常多个，覆盖主要内容）；
  • 恰好 1 个 role="META" 子段，专门放 META。

META 元信息设计

每个父段都会有一个 role="META" 的 CHILD，用于插入如下 XML 块：

<META parent_id="{pid}">
  <KEYWORDS>
    <!-- 5–12 个，统一小写，用逗号分隔 -->
    风电机位布局, 风资源评估, 光伏倾角, 并网消纳, 年利用小时
  </KEYWORDS>
  <SUMMARY lang="zh" maxlen="120字">
    用通俗技术中文，概括该父段要点与结论，避免营销语与虚词。
  </SUMMARY>
  <QUESTIONS>
    <Q>围绕该父段内容提出 3–5 个高价值检索/复述问题</Q>
  </QUESTIONS>
</META>

在新能源标准规范 RAG 中，三个字段的作用分别是：

KEYWORDS：新能源语境下的核心检索词

统一小写，半角逗号分隔；

尽量选取可复用的工程检索标签，如：

  • 风电：风资源评估, 风切变指数, 风机轮毂高度, 机位布局, 并网点, 尾流效应
  • 光伏：组件倾角, 单轴跟踪, 辐照度, 组件串并联, 汇流箱, 逆变器效率
  • 通用：并网消纳, 年利用小时, 接入系统方案, 输电线路, 土建设计荷载

KEYWORDS 在 Dify 中可映射为额外的检索字段（如 metadata.tags），用于：

  • 提升召回与过滤能力；
  • 支撑“按主题/子领域筛选标准条款”的功能。

SUMMARY：标准条款的通俗技术摘要

不超过 120 字；

使用“工程师语气”进行说明，而不是法规原文的硬翻；

例如：

本节规定了风电场选址需要满足的基本条件，包括年平均风速下限、与居民区及重要设施的安全距离、与现有电网的接入条件等，为后续机位排布和接入系统设计提供边界约束。

在 RAG 中，SUMMARY 可以用作：

  1. 轻量级候选段快速预览；
  2. 重排序特征之一；
  3. 回答“总结一下该标准条款主要内容”的问题时的参考。

QUESTIONS：场景化的高价值问句

围绕该父段提出 3–5 个问题，例如：

  • “如果……，本节有哪些约束/要求？”
  • “在什么条件下可以/不可以……？”

  • “本节对某一设计参数给出了怎样的范围或推荐值？”

  • 示例（针对风电场选址章节）：

    <QUESTIONS>
  <Q>风电场选址时，对年平均风速有哪些最低要求？</Q>
  <Q>规程如何限定风机与居民区、道路等敏感目标的最小安全距离？</Q>
  <Q>在复杂地形条件下，选址需要特别关注哪些附加要求？</Q>
  <Q>本节对并网点选择和接入系统条件有哪些约束？</Q>
</QUESTIONS>

这些问句可以直接作为：

  • Dify 检索的“扩展查询 / 典型 Query 模板”；
  • 在问答不充分时，用于 Re-RAG 或多轮追问引导。

锚点与安全插入策略

为了让后续程序能够稳定地把 PARENT/CHILD 标记插回原文，切片计划中为每一个 PARENT/CHILD 提供了 anchor 信息：

  • anchor.type ∈ ["heading","after_heading","paragraph","hr"]
  • anchor.heading_text / heading_level：基于标题定位；
  • anchor.before_line：估计原文行号；
  • anchor.pre / anchor.post：上下文 30–80 字符，用于安全匹配。

同时，明确禁止在以下区域内插入标记：

  • YAML front-matter (--- 块)；
  • fenced code 块（``` / ~~~）；
  • 行内/块级公式（$...$ / $$...$$）；
  • HTML 表格/注释；
  • 链接定义区 ([id]: url)；
  • 图片或图题行；
  • 列表项中段。

对于新能源标准文档，这一点尤为重要：大量公式、表格（如风速分布、荷载系数、风区划分）、示意图说明，若被切断会严重影响可读性与解析，因此要求：

  • 优先在标题行之后的首个正文段落之前插入 PARENT 标记；
  • 子段标记只放在自然段和条款边界，不打断公式和表格。

Token 估算与切片长度控制

为便于在 Dify 及向量库中控制上下文长度，本方案对 tokens 做了基础约束：

  • PARENT：目标 800–2000 tokens（±15%）；
  • CHILD：目标 100–300 tokens（±20%）。

token 估算方法可采用启发式规则：

  • 中文：约 1–1.5 字 ≈ 1 token；
  • 英文/数字：约 4 字符 ≈ 1 token。

在 stats 字段中记录所用方法，例如：

"stats": {
  "parents_count": 12,
  "children_count": 57,
  "token_estimation_method": "heuristic",
  "max_parent_tokens": 2000,
  "max_child_tokens": 300
}

当标准某章节特别长（例如一个大章节下的小节只有标题无内容、或必须保证整体语义连贯时），允许越界，同时在 violations 中明示原因和建议。

质量约束与校验机制

为保证切片质量，方案规定：

  1. 顺序单调

同一父段内的 CHILD 按文中实际出现顺序排列；

子段范围不重叠、不穿越父段边界。

  1. 覆盖关键内容

CONTENT 子段需覆盖父段的关键条款与解释；

允许略去无关重复描述或附带说明。

  1. META 完备唯一

每个 PARENT 恰好 1 个 META CHILD；

META 内容要求完整的 KEYWORDS / SUMMARY / QUESTIONS。

  1. 违规显式标注

如果任何约束无法满足（如父段过长、TOKEN 估算偏差过大、无法安全找到锚点），在 violations 中写明 target、type、detail 和 suggestion，方便后续人工审查或规则迭代。

与 Dify 知识库的集成方式

在 Dify 中，我们通常会为每条“文档片段”配置如下字段：

  • content：存放 CHILD 的正文内容；
  • parent_title / parent_id：存放父段信息；
  • keywords：解析自 META.KEYWORDS；
  • summary：解析自 META.SUMMARY；
  • questions：解析自 META.QUESTIONS 中的若干 <Q>。

典型流程：

  1. 原始标准 → Markdown：将 PDF / Word 转为结构清晰的 Markdown（保留标题层级、列表和表格）。
  2. 调用切片规划助手（Prompt）：

输入原始 Markdown；

输出 JSON plan。

  1. 根据 plan 回写标记：

程序遍历 insertions 数组，在指定位置插入 PARENT/CHILD 标记和 META XML；

  1. 解析带标记的 Markdown：

按 HTML 注释切分父/子段；

将各 CHILD 片段转换为 Dify 知识库的单条文档，并映射元信息到 metadata。

  1. 索引与检索：

在 Dify 配置中，设置 keywords 与 questions 参与检索或重排序；

在回答用户问题时，将父段 SUMMARY 与对应 CHILD content 作为组合上下文喂给模型。

新能源标准规范场景中的实践建议

  1. 优先对“工程决策有直接影响”的章节精细切片

风电场/光伏电站选址、公用工程与接入系统、电气主接线、安全与保护、土建设计荷载等；

对“术语和定义”可采用稍粗粒度父段，主要作为辅助解释。

  1. KEYWORDS 尽量贴近实际检索习惯

多使用工程师在日常沟通和报告中会使用的词，而不仅是标准中的严谨表述；

例如：风速廓线、风切变指数 α、年等效满负荷小时、N-1 校验 等。

  1. QUESTIONS 中融入典型业务场景

如“若某风电场年平均风速为 5.3 m/s，是否满足本标准要求？”

“设计单轴跟踪电站时，组件倾角和行间距需要满足哪些指标？”

  1. 控制 SUMMARY 的“温度”与专业度

既要避免“法规原文式”生硬表述，也要避免过于口语化；

推荐采用“报告风格”的说明：客观、精炼、指向工程决策。

小结

本方案通过 PARENT/CHILD 层级切片 + META 元信息 + 锚点安全插入策略，为新能源标准规范构建了一套结构化、可编程、可解释的 RAG 切片机制。

对 Dify 而言，收益主要体现在：

  • 检索更懂标准结构：可以按章节、主题、关键词进行精确召回；
  • 回答更贴近工程实践：通过 SUMMARY 和 QUESTIONS，把标准条文与真实场景勾连起来；
  • 维护更可控：通过 JSON plan + HTML 注释，保持文档与切片规则的解耦，便于后续版本迭代。

将这篇说明文放入 Dify 知识库，可以作为团队内部对“新能源标准规范 RAG 切片方案”的统一说明文档， 同时也可以配合实际切片示例，一起作为“系统使用指南”的核心组成部分。

附录：完整的 Prompt

你是 Markdown 切片规划助手。请读取我提供的 Markdown 文本，生成一份“插入计划（plan）”，用于后续程序把分段标记与领域元信息插回原文。不要直接修改原文内容。

# A. 切片与标记规范
1) 分段标记采用 HTML 注释分隔符，且必须携带元数据（避免冲突）：
   - 父级起始标记：<!--PARENT id="{pid}" title="{parent_title}" tokens="{est_tokens}" -->
   - 子级起始标记：<!--CHILD id="{cid}" parent="{pid}" role="{role}" tokens="{est_tokens}" -->
     - role ∈ {"CONTENT","META"}；其中 META 子段用于承载 XML 的 KEYWORDS/SUMMARY/QUESTIONS。
   - 语义：标记为**段首分隔符**，其作用范围直至下一个 PARENT/CHILD 标记或文档结尾。
   - id 要求全局唯一（建议 "p001", "c001" 递增或 UUID）。

2) 父段（PARENT）
   - 主题粒度：章/节/复杂概念说明等“自然段落群”。
   - 目标长度：800–2000 tokens；允许 ±15% 浮动；若受标题边界限制，可接受更大偏差，但需在 "violations" 里报告原因。

3) 子段（CHILD）
   - 目标长度：100–300 tokens；允许 ±20% 浮动。
   - 每个父段下：
     - 至少 1 个 role="CONTENT" 子段（可多个，覆盖主要内容，**不重叠、不穿越父段范围**）。
     - 恰好 1 个 role="META" 子段，承载下述 XML（置于该子段后立刻插入的文本内容）：
       ```
       <DIFY_META parent_id="{pid}">
         <KEYWORDS>
           <!-- 5–12 个，面向新能源（风电、光伏），统一小写，用逗号分隔，去除停用词与重复 -->
           风电机位布局, 风资源评估, 光伏倾角, 并网消纳, 年利用小时
         </KEYWORDS>
         <SUMMARY lang="zh" maxlen="120字">用通俗技术中文，概括该父段要点与结论，避免营销语与虚词。</SUMMARY>
         <QUESTIONS>
           <Q>围绕该父段内容提出 3–5 个高价值检索/复述问题</Q>
         </QUESTIONS>
       </DIFY_META>
       ```
     - META 子段本身也算一个 CHILD。

# B. 锚点与安全插入点
为保证我用代码能稳定插入，请为每个 PARENT/CHILD 提供“锚点”：
- anchor.type：["heading","after_heading","paragraph","hr"] 之一
- anchor.heading_text / heading_level：若基于标题定位必须给出
- anchor.before_line：基于原文的**行号估计**（从 1 开始）；若无法可靠给出，填 null
- anchor.pre / anchor.post：各 30–80 字符的邻近上下文片段（不能跨越代码围栏/公式块）
- **禁止插入**到以下区域内部或中间：YAML front-matter、fenced code (```或 ~~~)、行内/块级公式 ($ ... $ / $$ ... $$)、HTML 表格/注释、链接定义区（`[id]: url`）、图片/图题行、列表项中段。
- 优先在**标题行之后的首个正文段落之前**放置该标题对应父段的 PARENT 标记；子段在父段范围内按语义段首放置。

# C. Token 估算与计数偏差
- est_tokens 请尽量接近 cl100k_base 的估算；若无法精算，按中文≈1.5字/词≈1 token、英文≈4字符/1 token 的经验给出估算值，并在 "stats" 里说明方法。

# D. 质量约束
- 顺序单调：同一父段内的子段按文中出现顺序排列，范围不重叠。
- 覆盖性：子段应覆盖父段关键信息；无需覆盖所有字句。
- 每个父段至少含 1 个 CONTENT 子段 + 1 个 META 子段。
- 若任何规则无法完全满足，写入 "violations"（含 pid/cid、原因、建议修正）。

# E. 输出格式（仅输出以下 JSON；不要多余文本）
{
  "doc_id": "<可留空或我提供>",
  "parents": [
    {
      "id": "p001",
      "title": "示例父段标题/主题",
      "est_tokens": 1280,
      "anchor": { "type": "heading", "heading_text": "1 概述", "heading_level": 1, "before_line": 42, "pre": "...", "post": "..." },
      "children": ["c001","c002","c003"]  // 包含 META 子段 id
    }
  ],
  "children": [
    { "id": "c001", "parent_id": "p001", "role": "CONTENT", "est_tokens": 180, "anchor": { ... } },
    { "id": "c003", "parent_id": "p001", "role": "META", "est_tokens": 120, "anchor": { ... },
      "content_xml": "<DIFY_META parent_id=\"p001\">...</DIFY_META>"
    }
  ],
  "markers": {
    "parent": "<!--PARENT id=\"{id}\" title=\"{title}\" tokens=\"{est_tokens}\" -->",
    "child": "<!--CHILD id=\"{id}\" parent=\"{parent_id}\" role=\"{role}\" tokens=\"{est_tokens}\" -->"
  },
  "insertions": [
    // 便于我直接 loop 按行插入：按文中先后顺序罗列
    { "at_line": 43, "marker": "<!--PARENT id=\"p001\" title=\"示例父段标题/主题\" tokens=\"1280\" -->" },
    { "at_line": 56, "marker": "<!--CHILD id=\"c001\" parent=\"p001\" role=\"CONTENT\" tokens=\"180\" -->" },
    { "at_line": 120, "marker": "<!--CHILD id=\"c003\" parent=\"p001\" role=\"META\" tokens=\"120\" -->",
      "follow_text": "<DIFY_META parent_id=\"p001\">...</DIFY_META>"
    }
  ],
  "stats": {
    "parents_count": 5,
    "children_count": 17,
    "token_estimation_method": "heuristic|tiktoken-like",
    "max_parent_tokens": 2000,
    "max_child_tokens": 300
  },
  "violations": [
    // 若无违规返回空数组
    { "target": "p004", "type": "parent_too_long", "detail": "受标题边界影响 2450 tokens", "suggestion": "允许越界或在小节前加子父组合" }
  ]
}

# F. 语言与风格
- 所有自然语言输出用中文（简体）。
- KEYWORDS 统一小写、用半角逗号分隔；尽量选择可复用的“检索词”（风电/光伏/GIS/并网/消纳/资源评估/机位/BOP等）。
- SUMMARY 控制在 120 字以内，避免主观形容。

仅返回上述 JSON（置于一个代码块中），不要包含其它说明文字。