数据分块Chunk策略与实践
作者：程序员马丁
热门项目实战社群，收获国内众多知名公司面试青睐，近千名同学面试成功！助力你在校招或社招上拿个offer。
为什么不能把整篇文档直接丢给大模型？
假设你在一家电商公司做开发，老板让你搞一个智能客服系统。公司有一份 200 页的《客服知识库》，涵盖退货政策、物流规则、会员权益、售后流程等内容。用户问“买了 7 天的商品还能退吗？”，系统要能从知识库里找到答案并回复。
最直觉的做法——把整份知识库的文本一股脑塞给大模型，然后让它回答。
听起来很合理，但实际跑起来你会撞上两堵墙。
1. 大模型的上下文窗口限制
大模型在处理文本时，有一个上下文窗口的概念。你可以把它理解成大模型的工作台——它一次能摊开看的纸张数量是有限的。
拿目前主流的模型来说，上下文窗口大概在 128k 到 1M 个 token 之间（token 是什么后面会解释，这里你先理解成大约等于一个汉字或单个英文）。128K token 听起来很多，但一份 200 页的知识库文档，纯文本量轻松超过 30 万字，远远超出窗口上限。
直接后果：文本塞不进去，或者会触发输入长度限制/截断/费用显著增加。
从 128K token 到 1M token，跨度还不到一年，进步确实非常快。但接下来是否还需要继续把上下文做得更大，仍有待观察：从成本、延迟到实际效果来看，token 并不是越多越好。
就算未来模型的窗口越来越大，能装下整份文档了，还有第二个更本质的问题。
2. 检索精度的问题——大海捞针
假设你有一个上下文窗口无限大的模型，把整份知识库都塞进去了。用户问“生鲜商品支持七天无理由退货吗？”，模型需要从 30 万字里找到相关的那几段话。
这就像你去图书馆找一句话，但图书管理员把整个图书馆的书全摊在你面前说自己找。信息太多，噪音太大，模型很容易走神——要么找不到重点，要么把不 相关的内容混进回答里。
即使上下文做到 1M，很多在线客服场景仍会偏向 RAG，因为全量长提示会显著拉高成本与响应延迟，且吞吐更差。
在 RAG 的架构中，做法不是把所有文本都丢给模型，而是先检索出最相关的几段文本，只把这几段喂给模型。这样模型拿到的上下文精准、干净，回答质量自然就上去了。
但问题来了：要做检索，你得先有可以被检索的单元。一整份知识库是没法作为检索单元的——粒度太粗了。你需要把它切成一段一段的小块，每一块聚焦一个相对完整的知识点。
这就是分块（Chunking）要干的事。
分块到底在干什么
1. 分块在 RAG 流程中的位置
上一篇我们用 Apache Tika 从 PDF、Word 等文件中提取出了纯文本。但纯文本只是原材料，还不能直接用于检索。分块是紧接着文本提取之后的一步，它把长文本切成适合检索的小段。
整个数据准备阶段的流程是这样的：
分块之后的下一步是向量化——把每个文本块转成一组数字（向量），方便计算机做相似度检索。向量化的原理和实现下一篇单独讲，这里你只需要知道：分块的质量直接决定了后续检索的质量。块切得好，检索就准；块切得烂，后面怎么优化都救不回来。
2. 几个关键参数：chunkSize、overlap
在动手切之前，有两个参数你必须搞清楚：chunkSize（块大小）和 overlap（重叠量）。
2.1 chunkSize 怎么理解
chunkSize 就是每个块的长度上限。比如你设 chunkSize = 200，意思是每个块最多包含 200 个字符（或 200 个 token，取决于你用什么单位，后面会说）。
chunkSize 设多大合适？这没有标准答案，但有一个基本的权衡：
- 块太大（比如 2000 字）：每个块包含的信息多，但检索时容易混入不相关的内容，精度下降。就像用户问退货政策，结果返回了一整章包含退货、换货、维修的内容，模型还得自己从里面挑。
- 块太小（比如 50 字）：每个块很精准，但可能把一个完整的意思切断了，上下文丢失。就像把一条退货规则从中间劈开，前半句和后半句单独看都不知道在说什么。
一般来说，200 到 1000 个字符是比较常见的范围，具体取决于你的文档类型和检索需求。
2.2 overlap 是什么，为什么需要它
overlap（重叠）是指相邻两个块之间共享的文本长度。
打个比方：你在看一本小说，每次只能记住一页的内容。如果你严格按页翻，第 1 页看完翻到第 2 页，那第 1 页最后一句话和第 2 页第一句话之间的联系就断了。但如果你每次翻页时，把上一页最后几行重新看一遍，这几行就是重叠的部分，它帮你保持了上下文的连贯性。
用一个具体的例子来看。假设知识库里有这样一段退货政策：
自签收之日起 7 天内，商品未经使用且不影响二次销售的，消费者可申请七天无理由退货。生鲜食品、定制商品、贴身衣物等特殊品类不适用此规则，具体以商品详情页标注为准。
如果 chunkSize = 40，不加 overlap，切出来可能是：
- 块 1：
自签收之日起 7 天内，商品未经使用且不影响二次销售的，消费者可申请七天 - 块 2：
无理由退货。生鲜食品、定制商品、贴身衣物等特殊品类不适用此规则，具体 - 块 3：
以商品详情页标注为准。
注意看，“七天无理由退货”这个关键词被切成了两半，分别落在块 1 和块 2 里。用户搜“七天无理由退货”，两个块都匹配不完整。
2.2.1 不加 overlap 会丢失什么
上面的例子已经很直观了——不加 overlap，相邻块的边界处一定会丢失上下文。如果用户恰好问的问题涉及到边界处的内容，检索就可能找不到完整的答案。
加上 overlap = 15 之后，切出来变成：
- 块 1：
自签收之日起 7 天内，商品未经使用且不影响二次销售的，消费者可申请七天 - 块 2：
消费者可申请七天无理由退货。生鲜食品、定制商品、贴身衣物等特殊品类不适 - 块 3：
特殊品类不适用此规则，具体以商品详情页标注为准。
块 2 的开头和块 1 的结尾有重叠，“七天无理由退货”在块 2 里是完整的了。
当然，overlap 也不是越大越好。overlap 太大意味着大量重复文本，存储和计算成本都会上升。一般经验是 overlap 设为 chunkSize 的 10%~25%。
2.3 用什么单位：字符 vs token
你可能注意到了，前面说 chunkSize 的时候，有时说字符，有时说 token。这两个东西不一样，有必要区分一下。
字符（Character）就是你肉眼看到的每一个符号。“你好”是 2 个字符，"Hello"是 5 个字符，空格和标点也各算 1 个字符。
Token 是大模型实际处理文本的最小单位。大模型不是一个字一个字地读文本的，它会先把文本切成一个个 token。对于英文，一个常见单词通常是 1 个 token，长一点的单词可能被拆成 2-3 个 token。对于中文，一个汉字通常是 1-2 个 token。
举个例子：
| 文本 | 字符数 | 大约 token 数 |
|---|---|---|
| 七天无理由退货 | 7 | 7-10 |
| Hello World | 11 | 2 |
| 退货政策 | 4 | 4-6 |
为什么要关心这个？因为大模型的上下文窗口是按 token 算的，不是按字符算的。如果你用字符数来设 chunkSize，实际消耗的 token 数可能比你预期的多（尤其是中文场景）。
不过在入门阶段，用字符数来设 chunkSize 完全够用。等你对 token 有了更深的理解，再考虑切换到基于 token 的分块也不迟。
主流分块策略详解
下面我们用同一段示例文本，来演示几种主流的分块策略。先把示例文本贴出来，后面反复会用到：
一、退货政策
自签收之日起 7 天内，商品未经使用且不影响二次销售的，消费者可申请七天无理由退货。生鲜食品、定制商品、贴身衣物等特殊品类不适用此规则，具体以商品详情页标注为准。退货运费由消费者承担，如因商品质量问题退货，运费由商家承担。
二、换货政策
自签收之日起 15 天内，商品存在质量问题的，消费者可申请免费换货。换货时需提供订单编号、商品照片及问题描述。换货商品将在审核通过后 3 个工作日内寄出，届时会通过短信通知物流单号。
三、会员权益
普通会员享受 9.5 折优惠，每月可领取 2 张满 200 减 20 的优惠券。黄金会员享受 9 折优惠，每月可领取 4 张满 200 减 30 的优惠券，且退换货享受免运费服务。钻石会员享受 8.5 折优惠，每月可领取 6 张满 200 减 50 的优惠券，退换货免运费，并享有专属客服通道。
四、物流配送
默认使用顺丰快递，偏远地区使用邮政 EMS。订单金额满 99 元包邮，未满 99 元收取 8 元运费。大件商品（家具、家电等）使用德邦物流，配送费根据商品重量和收货地址单独计算。预计配送时间：一线城市 1-2 天，二三线城市 2-4 天，偏远地区 5-7 天。
五、售后服务
所有商品享受 1 年质保服务。质保期内出现非人为损坏的质量问题，可免费维修或更换。超出质保期的维修服务按成本价收取配件费和人工费。如需售后服务，请拨打客服热线 400-XXX-XXXX 或在 APP 内提交售后工单。
这段文本大约 600 个字符，包 含 5 个章节，每个章节讲一个独立的业务规则。接下来看看不同的分块策略会把它切成什么样。
1. 固定大小分块（Fixed Size Chunking）
1.1 原理
这是最简单粗暴的方式：不管文本内容是什么，每隔固定数量的字符就切一刀。
假设 chunkSize = 100，overlap = 0，上面那段示例文本会被这样切：
- 块 1：从第 1 个字符开始，取 100 个字符
- 块 2：从第 101 个字符开始，再取 100 个字符
- 块 3：从第 201 个字符开始，再取 100 个字符
- ……依此类推
用一张图来理解：
固定大小分块完全不关心文本的语义——它不管你这一刀切在段落中间还是句子中间，到了字数就切。这既是它的优点（简单），也是它的缺点（可能切断语义）。
1.2 Java 代码实现
import java.util.ArrayList;
import java.util.List;
public class FixedSizeChunker {
/**
* 固定大小分块——最基础的分块方式，按字符数硬切
*/
public static List<String> chunk(String text, int chunkSize) {
List<String> chunks = new ArrayList<>();
int start = 0;
while (start < text.length()) {
int end = Math.min(start + chunkSize, text.length());
chunks.add(text.substring(start, end));
start = end;
}
return chunks;
}
public static void main(String[] args) {
String text = "自签收之日起 7 天内，商品未经使用且不影响二次销售的，"
+ "消费者可申请七天无理由退货。生鲜食品、定制商品、贴身衣物等"
+ "特殊品类不适用此规则，具体以商品详情页标注为准。"
+ "退货运费由消费者承担，如因商品质量问题退货，运费由商家承担。";
List<String> chunks = chunk(text, 40);
for (int i = 0; i < chunks.size(); i++) {
System.out.println("=== 块 " + (i + 1) + " ===");
System.out.println(chunks.get(i));
System.out.println();
}
}
}
跑一下这段代码，你会看到每个块都是严格的 40 个字符，切割位置完全不考虑句子边界。有些块的开头可能是上一句话的尾巴，读起来很突兀。
1.3 优缺点
| 维度 | 说明 |
|---|---|
| 优点 | 实现极其简单，性能好，不需要任何 NLP 处理 |
| 缺点 | 完全忽略文本结构，容易把句子、段落从中间切断，导致语义不完整 |
| 适合 | 文本结构不重要的场景，比如日志文件、纯数据文本；或者作为其他策略的兜底方案 |
| 不适合 | 有明确段落结构的文档（知识库、产品手册、政策文件），因为切断语义会严重影响检索质量 |
2. 重叠分块（Overlapping Chunking）
2.1 原理
重叠分块是对固定大小分块的直接改进。核心思路很简单：切块的时候，相邻两个块之间留一段重叠区域，这样即使切割点落在句子中间，重叠部分也能保证关键信息不会被完全切断。
还是用退货政策那段文本，chunkSize = 100，overlap = 25：
- 块 1：从第 1 个字符开始，取 100 个字符
- 块 2：从第 75 个字符开始（100-25=75），取 100 个字符
- 块 3：从第 150 个字符开始，取 100 个字符
- ……
用图来看就是这样：
和固定大小分块相比，重叠分块多了一个 overlap 参数，但效果提升明显——边界处的信息不再完全丢失。
2.2 Java 代码实现
import java.util.ArrayList;
import java.util.List;
public class OverlappingChunker {
/**
* 重叠分块——在固定大小的基础上，相邻块之间保留重叠区域
*/
public static List<String> chunk(String text, int chunkSize, int overlap) {
if (overlap >= chunkSize) {
throw new IllegalArgumentException("overlap 必须小于 chunkSize");
}
List<String> chunks = new ArrayList<>();
int step = chunkSize - overlap;
int start = 0;
while (start < text.length()) {
int end = Math.min(start + chunkSize, text.length());
chunks.add(text.substring(start, end));
start += step;
}
return chunks;
}
public static void main(String[] args) {
String text = "自签收之日起 7 天内，商品未经使用且不影响二次销售的，"
+ "消费者可申请七天无理由退货。生鲜食品、定制商品、贴身衣物等"
+ "特殊品类不适用此规则，具体以商品详情页标注为准。"
+ "退货运费由消费者承担，如因商品质量问题退货，运费由商家承担。";
List<String> chunks = chunk(text, 40, 10);
for (int i = 0; i < chunks.size(); i++) {
System.out.println("=== 块 " + (i + 1) + " ===");
System.out.println(chunks.get(i));
System.out.println();
}
}
}
对比固定大小分块的代码，核心区别就一行：start += step 而不是 start = end。step = chunkSize - overlap，每次前进的步长比块大小小一点，这样相邻块就自然产生了重叠。
2.3 优缺点
| 维度 | 说明 |
|---|---|
| 优点 | 实现简单，有效缓解边界处的语义断裂问题 |
| 缺点 | 仍然不看文本内容，只是用重叠来弥补；overlap 会导致存储量增加 |
| 适合 | 大多数通用场景的入门方案，尤其是你还没确定用什么策略的时候 |
| 不适合 | 对语义完整性要求很高的场景，比如法律条款、合同文本 |
3. 递归分块（Recursive Chunking）
3.1 原理
递归分块是目前实践中最常用的策略。它的思路可以用一句话概括：先尝试用最大的分隔符切，切完如果某个块还是太大，就换一个更小的分隔符继续切，直到所有块都在 chunkSize 以内。
具体来说，它维护一个分隔符列表，按优先级从高到低排列，比如：
["\n\n", "\n", "。", "，", " ", ""]
切割过程是这样的：
这个先粗后细的过程就是递归的含义——不是一刀切到底，而是逐层细化。
为什么这种方式好？因为它尽最大努力保留文本的结构。能按段落切就按段落切，段落太长了才按句子切，句子还太长才按逗号切……只有在万不得已的时候才会像固定大小分块那样按字符硬切。
拿我们的电商知识库来说，如果 chunkSize 设成 200，递归分块会先尝试按章节（空行）切割。退货政策那一段大约 150 字，没超过 200，就完整保留为一个块。如果某个章节特别长超过了 200 字，才会进一步按句号切成更小的块。
3.2 优缺点
| 维度 | 说明 |
|---|---|
| 优点 | 兼顾了语义完整性和块大小控制，是目前最通用的分块策略 |
| 缺点 | 分隔符列表需要根据语言调整（中文和英文的标点不同）；依赖文本中存在合理的分隔符 |
| 适合 | 绝大多数场景，尤其是你不确定该用什么策略的时候，递归分块是最安全的默认选择 |
| 不适合 | 对分块有特殊要求的场景，比如代码文件（需要按函数/类来切）、表格数据（需要按行来切） |
4. 语义分块（Semantic Chunking）
4.1 原理
前面三种策略有一个共同的局限：它们都是基于规则的——要么按字数切，要么按标点符号切。它们不理解文本在说什么。
语义分块换了一个完全不同的思路：用 Embedding 模型来判断文本的语义相似度，在语义发生明显变化的地方切割。
具体过程是这样的：
- 先把文本按句子拆开（这一步可以简单地按句号切）
- 对每个句子生成一个向量（Embedding）
- 计算相邻句子之间的向量相似度
- 当相邻句子的相似度低于某个阈值时，说明话题发生了转换，在这里切一刀
还是用电商知识库的例子。退货政策那一段里，前两句都在讲退货条件，它们的语义向量会比较接近，相似度高。但从退货政策的最后一句过渡到换货政策的第一句时，话题发生了明显变化，两个句子的向量相似度会骤降——语义分块就在这个位置切一刀。
这种方式的好处是显而易见的：它切出来的每个块在语义上是高度内聚的，不会出现一个块里混着两个不相关话题的情况。
相比 Embedding 计算相似度的方式，直接让大模型来做分块决策更加直观——大模型本身就具备强大的语义理解能力，可以直接读懂文本，判断哪里应该切分。
最直接的思路：把文本交给大模型，让它找出主题切换的位置。
对比 Embedding vs LLM 分块：
| 维度 | Embedding 语义分块 | LLM 辅助分块 |
|---|---|---|
| 原理 | 计算相邻句子的向量相似度 | 大模型直接理解文本语义 |
| 分块质量 | 依赖 Embedding 模型质量 | 通常更准确，能处理复杂语境 |
| 速度 | 快（毫秒级） | 慢（秒级） |
| 成本 | 低 | 高 |
| 适用场景 | 大批量文档处理 | 高价值文档、需要精细分块 |
4.2 优缺点
| 维度 | 说明 |
|---|---|
| 优点 | 切割点基于语义而非规则，分块质量最高，每个块的主题高度内聚 |
| 缺点 | 需要调用 Embedding 或者 Chat 模型，有额外的计算成本和延迟；阈值需要调参；对模型的质量有依赖 |
| 适合 | 对检索精度要求很高的场景，比如法律文档问答、医疗知识库、金融合规文档 |
| 不适合 | 文档量特别大且对延迟敏感的场景；文本本身结构已经很清晰的场景（用递归分块就够了，没必要上语义分块） |
5. 混合分块（Hybrid Chunking）
5.1 原理
实际项目中，单一的分块策略往往不够用。不同类型的文档、甚至同一份文档的不同部分，可能适合不同的分块方式。混合分块的思路就是：把多种策略组合起来用，取长补短。
常见的组合方式有几种：
第一种，递归分块 + 语义分块 。先用递归分块做粗切，把文本按段落、章节切成大块；然后对每个大块再用语义分块做细切，确保每个最终的块在语义上是内聚的。
第二种，按文档类型选策略。比如在一个企业知识库系统中，产品手册用递归分块，FAQ 用按问答对切割，合同文本用语义分块。在代码层面，就是一个路由逻辑，根据文档的类型或来源选择不同的分块器。
第三种，分块 + 后处理。先用递归分块切完，然后对结果做一轮后处理：合并太短的块、拆分太长的块、给每个块补充元数据（比如所属章节标题、文档来源）。
拿我们的电商知识库来说，一个实际的混合方案可能是这样的：
- 知识库正文（退货政策、物流规则等）：用递归分块，按章节切割
- FAQ 问答对：按问答对切割，每个 Q&A 是一个块
- 商品详情页：先提取结构化字段（价格、规格），再对描述文本用重叠分块
5.2 优缺点
| 维度 | 说明 |
|---|---|
| 优点 | 灵活，能针对不同内容选择最合适的策略，整体效果最好 |
| 缺点 | 实现复杂度高，需要维护多套分块逻辑和路由规则 |
| 适合 | 企业级 RAG 系统，文档类型多样，对检索质量有较高要求 |
| 不适合 | 简单的 demo 或 POC 阶段，杀鸡用牛刀 |
用 ChunkViz 直观对比分块效果
光看文字描述可能还不够直观。推荐打开 ChunkViz 这个在线工具，它可以可视化地展示不同分块策略的效果。
操作步骤：
- 打开 https://chunkviz.up.railway.app/
- 在文本框中粘贴我们的示例文本（或者任何你想测试的文本）
- 在右侧选择分块策略：
- CharacterTextSplitter：对应固定大小分块
- RecursiveCharacterTextSplitter：对应递归分块
- 调整 Chunk Size 和 Chunk Overlap 的滑块
- 页面会实时用不同颜色高亮显示每个块的范围
你可以做这几组对比实验：
| 实验 | 策略 | chunkSize | overlap | 观察重点 |
|---|---|---|---|---|
| 实验 1 | CharacterTextSplitter | 100 | 0 | 看看块的边界是不是经常切在句子中间 |
| 实验 2 | CharacterTextSplitter | 100 | 20 | 对比实验 1，看 overlap 区域（颜色重叠的部分） |
| 实验 3 | RecursiveCharacterTextSplitter | 100 | 0 | 对比实验 2，看递归策略是不是更倾向于在段落/句子边界切割 |
| 实验 4 | RecursiveCharacterTextSplitter | 200 | 0 | 增大 chunkSize，看块的数量和完整性变化 |
通过这几组实验，你应该能非常直观地感受到：递归分块在保持语义完整性方面明显优于固定大小分块。
大家可以看下，粉色、蓝色、荧光绿色以及黄色等，可能都是不同分块的颜色，但墨绿色是固定重叠的标识。
1. CharacterTextSplitter
测试字符分割器配置：
- Chunk Size: 100
- Chunk Overlap: 20
可以看到，经过切割后，文本原始语义被切分相对严重，因此在实际使用过程中需要不断尝试调整才能获得最优效果。
2. RecursiveCharacterTextSplitter
测试递归字符分割器配置：
- Chunk Size: 200
- Chunk Overlap: 0
在格式较为固定的文本中（例如标题后紧跟一句说明，或结构简单的 Q&A 块），递归字符分割通常能取得较好的效果。但当问答结构更复杂、语义跨度更大时，边界判定仍可能不够准确，导致切分偏差。
比如在退货政策这种场景里，同一个条款下面往往会包含好几句话甚至多个条件，这时递归字符分割就不太好用了，容易把本应属于同一语义单元的内容切散。
整体来看，递归分块属于较基础的切分方法 ，更适用于轻量、结构明确的应用场景。
分块策略怎么选：一张表帮你决定
1. 不同文档类型的推荐策略
| 文档类型 | 推荐策略 | 理由 |
|---|---|---|
| 产品手册 / 知识库 | 递归分块 | 有清晰的章节、段落结构，递归策略能很好地利用这些结构 |
| FAQ / 问答对 | 递归分块 | 每个 Q&A 是一个自然单元，不应该被拆开 |
| 合同 / 法律文档 | 语义分块 | 条款之间的边界需要精确识别，规则分块容易切错 |
| 日志文件 | 固定大小分块或按行切割 | 日志通常每行一条记录，结构简单 |
| 代码文件 | 专用的代码分块器（按函数/类切） | 通用的文本分块策略不适合代码，需要理解代码结构 |
| HTML 页面 | 先清洗 HTML 标签，再用递归分块 | HTML 标签会干扰分块，需要先处理 |
| 格式混乱的文本（OCR 等） | 重叠分块 | 没有可靠的分隔符可用，重叠至少能缓解边界断裂 |
| 多类型混合的企业知识库 | 混合分块 | 不同类型的文档用不同策略，效果最好 |
2. chunkSize 和 overlap 的经验值参考
这些不是标准答案，而是社区实践中比较常见的起始值，你可以在此基础上根据实际效果调整：
| 参数 | 推荐范围 | 说明 |
|---|---|---|
| chunkSize | 200 ~ 1000 字符 | 问答场景偏小（200 |
| overlap | chunkSize 的 10% ~ 25% | 比如 chunkSize=500 时，overlap 设 50~125 |
一个实用的调参思路：从 chunkSize=500、overlap=50 开始，跑几个测试 query 看检索效果，如果发现检索结果不够精准就调小 chunkSize，如果发现上下文经常断裂就调大 overlap。
3. 企业级解决方案
真实项目里，分块效果不好，往往不只是 chunkSize 没调对，还有可能是上游抽取出来的文本就已经“脏”了——尤其是 PDF 这种格式：
- 页眉页脚、目录、页码混进正文，语义被大量噪音稀释
- 断行/连字把一句话拆成多段，导致按段落/句子递归分割失效
- 表格被打散成碎词或错位字段，检索命中但无法形成可读上下文
所以通常不会“抽完就切”。更稳妥的流程是：先用 Tika 等工具做文本抽取 → 再用清洗器做结构修复与去噪 → 最后才进入分块与向量化。
分块层面也有类似的现实问题。像 Dify、RAGFlow 这类标准 RAG 方案 ，很多时候依赖单一分块策略，调参就容易出现“顾此失彼”：chunkSize 调大，A 类问题更容易召回完整上下文，但 B 类问题的检索精度可能下降；chunkSize 调小，B 类问题更精准了，A 类问题又容易被切断。
针对中小规模文档，更实用的做法是：先用基础策略把文档拆成初稿块，然后在此基础上做一轮人工二次编排——根据相邻块的语义关系进行补齐、合并或重分配，让最终的 chunk 更贴合真实问题类型。
可以在列表中点击某个具体分块进入编辑，对内容进行调整；保存后，底层的 Chunk 会同步更新并生效。
文末总结
分块是 RAG 数据准备阶段的关键一步。拿到 Tika 提取的纯文本后，不能直接用，需要切成大小合适、语义完整的小段，才能在后续的检索环节中被精准匹配到。
五种分块策略各有定位：固定大小分块最简单但最粗暴；重叠分块用重叠区域缓解边界断裂；递归分块逐层细化，是大多数场景的默认选择；语义分块基于 Embedding 做语义级切割，精度最高但成本也最高；混合分块组合多种策略，适合企业级复杂场景。
chunkSize 和 overlap 这两个参数没有最优值，需要根据你的文档类型和检索场景来调。记住起步参考值：chunkSize=500、overlap=50，然后根据实际效果微调。
分块之后，每个文本块还只是一段人类能读懂的文字。计算机要做相似度检索，需要把这些文字转成它能理解的数字表示——这就是向量化（Embedding）。