一、引言

为什么同样是做 RAG，有的效果拔群，有的却差强人意？分块（Chunking）策略可能是那个被你忽略的关键环节。

什么是Chunk？

AI中的分块是指将大型文档分割成称为“chunk”的较小片段。这些片段可以是段落、句子、词组或受token限制的片段，这使得模型能更轻松地仅搜索和检索所需内容。这种分块技术对于优化检索增强生成（RAG）的性能至关重要。

为什么在RAG中需要Chunk？

在RAG中，检索到正确的信息是关键，但当知识库非常庞大，可能包含数百万字或文档时，使用有效的RAG分块技术对于从这类大型数据集中高效检索相关信息，就变得至关重要了。举个例子，你有一个服务QPS达到千万级还要在30ms内返回结果，这时一定会搞一组本地缓存的集群。把你的数据按规则初始化到缓存里，就是对应的RAG的Chunk操作。

Chunk也是RAG ETL Pipeline中Transform环节的核心组件之一，可以比喻成我们切蛋糕，在切之前就已经想好要分几块了。让我看看“切蛋糕🍰”有几种手法。



二、主流RAG的分块策略详解

2.1.固定大小分块策略





•核心思想： 根据预定义的字符数或 token 数将文本分成统一的块。

•工作方式： 例如，固定每块 500 tokens。引入 “重叠区”（Overlap）来缓解上下文断裂问题。

•优点： 实现简单，处理速度快，不依赖复杂模型。

•缺点： 可能破坏语义完整性（如拆分句子或段落），对结构差异大的文档适应性差。

2.2.语义分块策略





•核心思想： 根据文本的语义相似度而非物理结构进行分块，确保每个 Chunk 内部主题高度相关。

•工作方式： 通常通过计算句子 Embedding 的余弦相似度，当相似度低于某个阈值时进行分割。

•优点： 能创建逻辑上最连贯的 Chunk，对后续检索和生成质量提升显著。特别适用于处理主题跳跃较多的文档。

•缺点： 计算成本高（需要调用 Embedding 模型），处理速度较慢。

2.3.基于递归分块策略



•核心思想： 一种更智能的组合式策略，按优先级顺序尝试多种分隔符进行递归分割。

•工作方式： 例如，优先按段落分割，如果段落仍过大，再按句子分割，最后才按字符数强制分割。

•优点： 尽可能保留高级别的语义结构（段落 > 句子 > ...），适应性强，能处理多种类型文档。

•缺点： 实现稍复杂，性能开销高于纯固定大小分块。

2.4.基于文档的分块策略



•核心思想： 利用文档本身的元数据和结构信息（如标题层级、表格、图片说明、PDF 页码等）进行智能分割。

•工作方式： 例如，将一个一级标题下的所有内容（包括子标题和段落）作为一个大 Chunk，或者将每个表格单独作为一个 Chunk。

•优点： 完美贴合特定类型文档（如法律合同、学术论文、报告）的逻辑结构，信息组织性强。

•缺点： 依赖高质量的文档解析和结构识别，通用性相对较弱。

2.5.智能体分块策略







•核心思想： 这是一种更前沿的动态策略，根据 Agent 将要执行的具体任务或目标来决定如何分块。

•工作方式： Agent 会先理解任务，然后自适应地从文档中提取和组织最相关的信息块。例如，任务是 “总结”，则可能提取关键论点；任务是 “回答特定问题”，则可能精准定位相关证据。

•优点： 灵活性和针对性极高，能最大化任务效果。

•缺点： 实现复杂，通常需要强大的规划和推理能力，目前还不普及。

2.6.基于句子的分块策略



•核心思想： 将文本分割成完整的句子，确保每个 Chunk 都包含一个或多个完整的思想。

•工作方式： 使用 NLP 工具（如 NLTK, SpaCy）识别句子边界，然后可以将几个连续的句子组合成一个 Chunk。

•优点： 保证了基本的语义单元完整，避免了 “半句话” 的问题。

•缺点： 句子长度差异仍可能导致 Chunk 大小不均；多个句子组合时，如何确定最佳组合仍需策略。

2.7.基于段落的分块策略





•核心思想： 基于段落的分块，通过提示符截取，将整个文本划分成多个段落。这种方式同样适合结构清晰的文档。

•工作方式： 例如，保险条款、法律、论文、AB实验报告等文档。

•优点： 优点自然分段，语义完整。

•缺点： 缺点自然是段落长度不一，可能超token限制。



其他

除以上7种外，还有很多大神们总结的切块方法论，如按照token、按照层级，按照excel sheet页，按照pdf页码等。都是针对特定场景。下面我结合实战和中文的切块的方法论做一下总结。



三、分块策略的选择与实战优化

3.1. 没有“万能”的分块策略

现实中不存在一种“one-for-all” 的数据读取和分块方法，特别像是 PDF 和 Word 这类复杂格式的文档。比较流行的方案是实用DeepDoc（OCR、TSR、DLR），所以实际中应根据业务，制作不同的模板。那么评估Chunk的参数和指标有哪些呢？ 指标就是Precision和Recall，详细看表格 ：

参数	参考值	作用
chunk_size	512-1024	1.切的越小chunks数越多，所以chunk_size跟你的top-k值有关。在 Recall 差不多的情況下，可以选Precision 高的，比较有效率。 2.如果是能力強的大模型，Precision 低一點，也没问题。 3.如果是能力弱的小模型，容易被噪声影响，Precision 太低不好，因此切块需要调小。 4.为什么默认值是512？与主流预训练语言模型的上下文窗口大小（如BERT的512）保持兼容。
separator	/n	分隔符
overlap	10%-15%	通常重叠块长度在10%-20%之间



Chunk参数与指标，我设计了两套策略：512/10%和2500/25 （单位token）

通用策略（512/10%）	最大上下文策略（2500/25）
chunk_size：512个token，约450多个汉字是相对中等的切块大小。这个大小足以容纳完整的剧组或段落。大多情况可以在“准确率”与“上下文完整性”之间取的平衡	chunk_size：2500个token相当于2000多个汉字，属于非常大的文本块了。这个设定的背后逻辑是利用现在的大模型（GPT-5.1、gemini 3）的超大token。当任务是进行长篇文件的深度思考推理时，可以提供丰富的信息给到模型，从而获得较高的Precision。
overlap：10%是比较中庸设定，是业界普遍的建议，能缓解边界切割问题。	overlap：10个左右汉字，基本可以忽略了，超大文本块被切割的几率相对较小。



3.2.Chunk策略的选择

我的方法论：段落分块（Paragraph Chunking），句子分块（Semantic Chunking），递归分块（Recursive Chunking），语义分块（Semantic Chunking）。

现在的RAG框架基本都是基于段落或句子来分块，也都都支持（\n。；！？）的递归分块。那从运营用户角度出发，或者第一次切的时候，如何傻瓜式操作呢？RAGFlow交出了一份方案，看一下它的分块核心算法



四、方法论总结

如何开始？可以从512 tokens 搭配 10-15%的重叠率开始。

如何优化？调试参数，多使用递归分块和句子分块，语义分块还是不够优秀。

如何测评？上号 chunking_evaluation 

有和方法论？ 上号 CRUD-RAG 论文指出对于创意生成和保持文章连贯性的任务，切分较大的块表现会更佳。我们在

RAGas实验也得到了相同的答案。



好了，以上是我们的实践总结，希望能帮到大家。