什么是文档切分 Chunking：RAG 里最容易被做坏的一步

「第二教育网」是一个专注于优质教育资源导航与学习方法分享的第三方平台。本文将从方法、工具与实操几个角度，帮你把这件事一次看明白。

文档切分（Chunking）是把长材料切成若干小段，供后续检索和作答使用。这一步看着不起眼，却常常决定知识库好不好用：切得太碎，段落没了主语和前提；切得太粗，检索回来一堆无关内容。把切分做对，比换更贵的模型更划算。

切得太碎会怎样

• 句子脱离上下文，模型读不懂指代关系。
• 命中片段语义不完整，答案自然残缺。
• 片段数量暴涨，检索和调用都变慢变贵。

切得太粗会怎样

• 一段里混进多个主题，相关性被稀释。
• 关键结论被算法砍到边界外，干脆搜不到。
• 检索回来的内容太长，挤占回答空间。

四种常用策略

• 固定长度：按字符数切，实现简单，适合结构规整的材料。
• 按标题切：以章节、小节为天然边界，保留语义完整性，教材最适用。
• 语义切分：先用模型把相近内容归组，再切片，效果好但成本略高。
• 小到大索引：先用小节做检索单元，返回后再把所在大段一起交给模型。

重叠为什么要留一点

相邻片段之间留一小段重叠，能救回被截断的跨句信息。但重叠太多又会让同样内容重复出现、拉高成本。一般情况下少量重叠就够，具体比例靠检索层的去重和重排来兜底。

三个落地检查点

• 每段的开头是否写清了身份，比如本段出自第几章。
• 跨段引用的内容能否通过相邻段拼回原意。
• 拿真题目试：查得到的答案是否都能在片段里找到依据。

一句话总结

切分的目标不是切得整齐，而是切得可检索、可引用、可追溯。把单元定在能独立回答一个问题这样的粒度，知识库才算真的能用。

还有一条维护经验：材料更新后要重建切分，否则旧片段还留在库里，检索会优先命中过时的段落。重建时保留一份旧切片对照着跑几道老题，能看出新版切分有没有把常用查法照顾到。

最后一条实操建议：切片入库前先给每份材料加一个简短的版本说明，标明学年、教材版本和章节范围。这样检索到旧版内容时，你能一眼判断要不要用新版覆盖，避免把过期答案当成现行结论。