夜雨聆风下午三点，老李端着保温杯在工位间溜达，路过小王时停住了。
“小王，你那个 RAG 系统不太行啊。”老李的语气带着“我就知道”的味道，“我昨天把产品手册丢进去了，问‘Postgres 连接池怎么配置’，你猜它回我什么？它说‘max_connections 参数在生产环境建议设置为’——然后就没了。话说到一半，断那儿了。”
小王把嘴里的咖啡咽下去：“老李，文档你是怎么切的？”
“切？就按你说的，把文档拆成一块一块的嘛。我写了段代码，每 512 个字符切一刀，整整齐齐。”老李语气里满是自信，“我们以前处理日志就是这么干的，固定大小，简单可靠。”
“老李你想啊——”
“我想什么想？”
“你烤羊肉串的时候，是按厘米切的吗？”
老李举着保温杯的手悬在半空，表情像被人问住了。
“烤串你得顺着肉的纹理切，肥瘦相间，一块太厚不入味，一块太薄烤糊。切文档也是这个道理——你按 512 字符硬切，正好把‘建议设置为 200’和下一句‘同时配合 pgBouncer 使用’切成了两块。RAG 检索到了上半块，没检索到下半块，大模型只能照着半句话回答。”
老李若有所思：“那你的意思是，我这刀法不对？”
第一刀：固定大小分块——简单但粗暴
“固定大小切块不是不能用，”小王把椅子滑到老李旁边，“但它是所有策略里最粗暴的一种。我看看你切的——”
小王打开老李的代码，几行简洁的 Python 躺在那里：
# 老李的刀法：一刀切，512 字符一块
def old_li_chunker(text, chunk_size=512):
chunks = []
for i in range(0, len(text), chunk_size):
chunks.append(text[i:i + chunk_size])
return chunks
doc = "Postgres 连接池在生产环境建议设置 max_connections 为 200，" \
"同时务必配合 pgBouncer 使用以避免连接数暴涨。"
chunks = old_li_chunker(doc, chunk_size=30) # 故意用小尺寸演示问题
for i, c in enumerate(chunks):
print(f"块{i}: {c}")
# 输出：
# 块0: Postgres 连接池在生产环境建议设置 max_connect
# 块1: ions 为 200，同时务必配合 pgBouncer 使用以避免连
# 块2: 接数暴涨。老李看着输出，脸有点黑：“第一块把 max_connections 给腰斩了，max_connect 这谁看得懂？”
“对。一句话被拦腰截断，向量化之后，max_connect 跟 max_connections 的语义相似度差了一大截。用户搜‘连接池配置’，这块大概率匹配不上。”
“那你说怎么切？”
“看肉的纹理。”小王在屏幕上画了几个框图。
图：同样的文档，固定大小切出断句残词，语义切分保持话题完整
第二刀：语义分块——顺着话题的纹理
“好的切分，要让每一个块都是一个相对完整的‘话题单元’。”小王打开一个新文件，“最简单的语义切分就是按段落来。写文档的人不是乱写的，一个自然段通常讲一个具体的小问题。”
# 小王的第一版改进：按自然段落切
def paragraph_chunker(text):
# 按双换行分段，保护每个段落的完整性
paragraphs = text.split("\n\n")
return [p.strip() for p in paragraphs if p.strip()]
# 但长段落还是太长了——需要第二刀
def semantic_chunker(text, max_chars=1000):
"""按段落切，超长的再按句号分"""
paragraphs = text.split("\n\n")
chunks = []
for para in paragraphs:
if len(para) <= max_chars:
chunks.append(para.strip())
else:
# 长段落按句子进一步切
sentences = para.replace("。", "。||").split("||")
current = ""
for sent in sentences:
if len(current) + len(sent) <= max_chars:
current += sent
else:
chunks.append(current.strip())
current = sent
if current:
chunks.append(current.strip())
return chunks“这个思路好理解，”老李点点头，“但小王你想过没有，有些文档根本没有段落结构——聊天记录、会议纪要、客服对话，全是一行一行的，你怎么找‘话题边界’？”
“问到点了。这时候就要上更聪明的切分方式。”
第三刀：递归分块——像剥洋葱一样
“LangChain 里有一个 RecursiveCharacterTextSplitter，它的逻辑特别像剥洋葱。”
老李又皱眉了：“怎么你们年轻人都爱用厨房打比方？”
“因为它确实像。你拿到一个洋葱，先试着按整个切，太大了；那就按层剥，还是大；按瓣剥，刚刚好。递归分块器的逻辑就是：先用双换行符切，如果块还是太大，换单换行符切，再大换句号，再大换空格，实在不行才按字符硬切。”
小王调出了 LangChain 的实现：
from langchain.text_splitter import RecursiveCharacterTextSplitter
# 这哥们儿自带"剥洋葱"逻辑
splitter = RecursiveCharacterTextSplitter(
chunk_size=500, # 目标块大小（字符数）
chunk_overlap=50, # 块与块之间重叠 50 字符
separators=["\n\n", "\n", "。", " ", ""] # 洋葱的层
)
doc = "## 连接池配置\n\nmax_connections = 200\n建议配合 pgBouncer。\n\n## 注意事项\n..."
chunks = splitter.split_text(doc)
for i, c in enumerate(chunks):
print(f"--- 块 {i} (长度 {len(c)}) ---\n{c}\n")
# 输出：每块在 500 字符内，且在句子/段落边界处断开老李看着代码，保温杯在手里慢慢转：“这个 separators 列表有意思，优先级从高到低，尽量在语义边界切。”
“对！而且你注意到那个 chunk_overlap=50 了吗？这就是烤串里的‘肥瘦相间’。”
为什么需要重叠？——像串肉的签子
“重叠又是啥讲究？这不就重复了吗？”老李指着那个参数。
“老李，你想想烤串为什么肥瘦要相间？纯瘦的太柴，纯肥的太腻。一块纯瘦的羊肉旁边配一点肥的，串在一起才好吃。但更重要的是——你得有一根签子把相邻的肉连在一起。”
小王在玻璃上画了一排方块：
“假设一句话是‘max_connections 建议设为 200，同时配合 pgBouncer’。这句话的意思，分布在两个相邻的块里。如果两块完全不重叠，RAG 检索时只命中了一块，大模型看到的是残缺的上下文。但如果两块之间重叠了半句话，RAG 无论命中哪一块，大模型都能看到完整的因果逻辑。”
# 重叠的作用：避免语义在边界处丢失
chunk_a = "在生产环境中，max_connections 建议设置为 200，"
chunk_b = "max_connections 建议设置为 200，同时务必配合 pgBouncer 使用。"
# ^^^^^^^^^^^^^^^^^^^^^^^^ 重叠部分保证了语义完整
# 检索"连接池怎么配"，可能命中 chunk_b
# 如果 chunk_b 只是 "同时务必配合 pgBouncer 使用"，大模型会一头雾水“所以重叠不是浪费，是给语义边界的断点上保险？”老李问。
“精准。通常 overlap 设为 chunk_size 的 10%～20%。太小了不管用，太大了浪费存储。”
分块策略的选择框架
“那你说说，我到底该用多大的块？什么时候用哪种策略？”老李掏出了他的小本本，这个动作说明他认真了。
“三个问题就能决定。”小王伸出手指。
“第一，文档是什么类型？技术文档段落整齐，语义分块就很好。聊天记录没有段落结构，递归分块更稳。代码文件？那得用 AST 分块，按函数/类来切。”
“第二，你的嵌入模型能处理多长的文本？text-embedding-3-small 上限是 8192 token，但实际最优效果在 512 token 左右。超出最优长度，语义信号会被稀释，就像一锅汤里放了太多水。”
“第三，下游任务需要多大的上下文？如果是 FAQ 式的短问答，小块就够了。如果是‘总结这篇文档的核心观点’，块太小了就看不到全貌。”
老李在本子上刷刷写着，嘴里念叨：“文档类型、模型上限、任务需求——我记下了。”
“有个经验值：短问答用 256～512 token，技术文档用 512～1024 token，需要完整推理的长文档用 1024～2048 token。但不要超过嵌入模型的最优长度，否则效果反而下降。”
图：分块策略选择流程——从文档特征出发，选择最合适的刀法
老李合上小本本，沉默了一会儿。
“所以我不是 RAG 不好用，是我切肉的方式不对。”
“可以这么说。”小王没客气。
“那我把产品手册重新切一遍，你给我看看那个递归分块的参数。”老李站起来，走了两步又回头，“话说回来，烤羊肉串这个比喻你哪学的？你平时加班都吃这个？”
“楼下那个新疆馆子，老板每次都给我多撒一把孜然。老李你要不要下次一起去？顺便聊聊 token 化的部分——那又是另一门切肉的手艺了。”
老李摆摆手，保温杯里的枸杞晃了晃：“下不为例啊。一个分块搞出这么多花样，你们年轻人就是爱折腾。”
但他走到工位门口时，又探头回来：“那什么，你说的 token 化，是跟字数还不一样对吧？你再给我讲讲这个……”
小王笑着拉开椅子，下午的日光正好打在键盘上。
