检索增强型生成系统正日益依赖于对文档结构的处理方法，包括：按结构对齐的文本分块（structure-aligned chunking）、由大语言模型（LLM）生成的分块上下文、标题路径元数据（heading-path metadata），以及分层级的两阶段检索。此前各项研究分别在不同语料库、不同嵌入模型（embedders）和不同评估指标下验证了上述每种方法的有效性，但均未控制一个共同的混杂因素：任何前置到文本分块之前的附加内容都会干扰该分块的嵌入表征（embedding）。为此，我们设计了一种机制隔离式的消融实验，在统一实验协议下系统评估全部四种结构处理方式；实验中严格匹配各条件下的分块长度，并额外引入一种语义上“无效”但结构上合法的安慰剂对照组——即从其他文档中随机打乱拼接而成的标题路径（shuffled heading paths）。我们采用一种兼顾覆盖率的归一化折损累积增益（coverage-aware nDCG）作为检索效果的评估指标，并基于文档簇的自助法（document-clustered bootstrap）结合霍尔姆校正（Holm correction），对预先注册的四组对比假设进行统计检验。实验在两个差异显著的语料库上开展：200 篇维基百科特色条目（含 951 个查询）与 1,585 篇 QASPER 学术论文（含 4,303 个问题）。结果表明，合理的文档组织确实有助于提升检索性能，且其作用根源在于内容本身，而非单纯增加的词元（tokens）数量：采用真实标题路径、按结构对齐生成的分块，其表现显著优于经上下文化处理的固定窗口分块（cov-nDCG@10 分别高出 +0.022 / +0.012）以及上述安慰剂对照组（+0.010 / +0.016）。相反，朴素的两阶段分层检索策略反而损害性能（-0.033 / -0.015），其原因可追溯至第一阶段对章节（section）的召回率偏低。在维基百科语料上，“黄金标准”（gold）人工标注的结构优于 LLM 自动生成的结构；但在 QASPER 语料上则未观察到这一优势。尽管效应量较小（Cohen’s dz = 0.06–0.11），但所有效应均通过霍尔姆校正后的显著性检验，且在两个语料库上结果高度一致。
