RAG 中的文档切分（Chunking）策略如何影响检索质量？

Chunking 直接决定向量召回的质量，因为每个块是检索与嵌入的最小单位。

块大小的权衡

• 块太大：一个块包含多个主题，嵌入向量被「平均」稀释，相关信息被无关内容淹没，检索精度下降，也浪费上下文窗口。
• 块太小：语义被割裂，单块缺乏足够上下文，LLM 难以据此作答。

常见策略

1. 固定长度 + 重叠：按 token 切分，相邻块保留 10–20% 重叠，避免关键句被边界切断。
2. 语义切分：按句子/段落/标题等自然边界切，保持语义完整。
3. 父子块（Parent-Child）/ 小块检索大块返回：用小块做精确召回，命中后返回其所属的大块给 LLM，兼顾召回精度与上下文完整。
4. 结构感知：对 Markdown、表格、代码保留结构，避免破坏格式。

切分粒度要结合嵌入模型的最佳输入长度与下游任务调优。参考 向量数据库原理。