檢索增強生成（RAG）系統(tǒng)有個沒人檢查的致命假設：文本塊（chunk）是知識嵌入的正確單元。這個假設幾乎從未被審視，卻是大多數(shù)檢索失敗的根本原因。

文本塊作為結構中性的容器，對內(nèi)容邊界一無所知。分詞器按token數(shù)量切割，結果你檢索到半張表格、沒有論據(jù)的結論、或剝離上下文的斷言。模型無從知曉缺失了什么。版本問題同樣嚴重——企業(yè)知識庫中同一文檔在SharePoint、Confluence、Git上存在十幾個近似版本，Top-K檢索返回五個相同段落的副本，新舊混雜，大語言模型將其融合成自信的錯誤答案。

更深層的問題在于元數(shù)據(jù)缺失。文本塊本身無法附加訪問控制，角色過濾、版本狀態(tài)、安全級別全部變成編排器上的外掛邏輯，與應被管控的內(nèi)容脫節(jié)。LangChain、LlamaIndex、Haystack等框架 orchestrating 檢索，但大多數(shù)技術棧在文檔解析器和向量存儲之間空無一物——這個缺口讓三重問題相互疊加。

解決方案是改變知識單元的結構。Iternal Technologies推出的Blockify采用"IdeaBlock"結構：一個問題、其經(jīng)驗證的答案，以及安全級別、版本狀態(tài)、來源等類型化治理字段，全部封裝在同一對象中。用戶以問題形式查詢，索引存儲問題的答案，匹配從語義層面升級為結構層面——不是期待正確段落浮現(xiàn)，而是直接將問題與答案配對。

這一改寫的幾何效應顯著。Blockify內(nèi)部基準測試覆蓋17份文檔298頁，查詢與最佳匹配塊的平均余弦距離降至0.1585。更關鍵的是下游效應：語料庫體積縮減40倍，單次查詢token消耗降低3倍，向量搜索相關性提升2.3倍——且無需觸碰檢索算法、重排序器或嵌入模型本身。