一、为什么切分是 RAG 的地基RAG 不能把整本书丢给大模型(上下文窗口 成本 检索精度都顶不住)。关键是因为切分过大→噪音多、匹配差;切分过小→代词/上下文丢失、易幻觉。语义完整性 × 检索精度的平衡点就是切分策略的核心目标。Amir Teymoori 与 Chroma 2025 研究都把这一步列为RAG 成败的第一变量。二、8 种主流切分策略(按复杂度递增)1. 固定大小切分 (Fixed-size)最朴素——按字符数 / Token 数切,带 overlap。def fixed_size_chunk(text, chunk_size512, overlap50): chunks, start [], 0 while start len(text): chunks.append(text[start:startchunk_size]) start chunk_size - overlap return chunks问题:不懂结构,容易把句子/列表/代码块从中间切断。适用:高度统一的文本(短消息、社交帖子)。2. 递归字符切分 (Recursive Character)——LangChain 默认,生产环境 80% 的选择按分隔符列表从大粒度到小粒度依次尝试,满足大小就停。默认 separators:[”\n\n”, ”\n”, ” ”, ””]也就是:段落 → 行 → 词 → 字符。这样能最大程度保留语义单元。from langchain_text_splitters import RecursiveCharacterTextSplitter splitter RecursiveCharacterTextSplitter( chunk_size512, chunk_overlap50, length_functionlen, separators[”\n\n”, ”\n”, ”. ”, ”? ”, ”! ”, ” ”, ””] ) chunks splitter.split_text(your_text)结论来源:LangChain 官方实现;Chroma 2025 研究指出「400 token 10–20% overlap」配合 text-embedding-3-large 可达88–89% recall。3. 文档结构切分 (Document-based)按格式专属结构切:MarkdownHeaderTextSplitter按#/##/###标题切,保留层级 metadataMarkdownTextSplitter按 Markdown 自身语义切(分隔符含代码块围栏 )通常两者串联用:先用 MarkdownHeaderTextSplitter 沿标题分大块,再把每个大块喂给 RecursiveCharacterTextSplitter 控大小——既保结构又保长度。4. 句子切分 (SentenceSplitter)按句号/问号/感叹号断句,适合对句子语义完整性要求高的场景(FAQ、对话)。5. 语义切分 (Semantic Chunking)——质量天花板按句间相似度找主题切换点:from langchain_experimental.text_splitter import SemanticChunker from langchain_openai import OpenAIEmbeddings splitter SemanticChunker( OpenAIEmbeddings(), breakpoint_threshold_type”percentile”, breakpoint_threshold_amount50 )用句向量之间的余弦相似度,相似度骤降处即切点Chroma 研究:LLM 语义切分可达 91.9% recall(所有策略最高)代价:每句都要 embedding,成本线性增加6. LLM 驱动切分 (LLM-based)让 LLM 自己读完整文,决定在哪里切最合理。质量高但贵且慢,适合一次性处理关键文档。7. Agentic 切分 (Agentic)让 Agent 按文档类型动态选策略(Markdown 一种、代码一种、对话一种)。Amir Teymoori 预测:2025 下半年 Agentic Chunking 会进入主流生产级 RAG。8. Late Chunking / 层次 / 父子切分Late Chunking:先 embed 整篇文档,再在 embedding 序列上切——保留跨块上下文(尤其代词消解)父子切分:父块 1024-2048 token 给 LLM 推理,子块 256-512 token 做检索命中——适合既要全局又要局部的法律/技术文档三、关键参数怎么定(选型决策的核心)参数经验值来源依据chunk_size默认 400–512 tokenChroma 2025 研究短文 FAQ / 客服200–400 token行业基准长文 / 论文 / 技术文档512–800 token行业基准代码仓库300–500 token(保住一个函数)LangChainfrom_languagechunk_overlap10–20%(标准)Chroma / Databricks结构化文档(手册/论文)5–10% 也行Databricks非结构化(对话/网页)15–20% 更稳Databrickslength_function优先用tiktoken防止字符数 ≠ token 数关键原则:chunk_overlap 必须是和 chunk_size 同单位(都是 token 或都是 char),否则行为会对不上。四、RecursiveCharacterTextSplitter 的三种合并场景针对递归切分器遇到 chunk 不足 512 时的三种行为(LangChain 实现细节):场景触发条件行为A(最常见)不足 512 的碎片后面还有内容,且叠加后 ≤ 512持续合并,直到接近 512 才截断B(文件末尾)不足 512 的碎片是最后一片,即使加上缓冲区也不够剩余部分直接作为最后一个 Chunk 输出,不强制补白(chunk_size是上限,不是目标值)C(单碎片超长)某个\n\n段本身就 512(如 1000 字)放弃该分隔符,降级到\n(行)→ 句号 → 空格 → 逐字 强制切到 ≤ 512举例(场景 A):碎片1(200 字) 碎片2(200 字) 400 字(≤ 512),继续合并碎片3(200 字)→ 600 字( 512)。此时碎片1 碎片2 合成一个 Chunk(400 字),碎片3 作为新 Chunk 的开头。中文场景建议把句号、逗号加进 fallback 链:separators[”\n\n”, ”\n”, ” ”, ”。”, ””, ””]确保长段落不会被硬砍在英文逗号或空格上。五、Markdown 文档的标准两阶段流水线from langchain_text_splitters import MarkdownHeaderTextSplitter, RecursiveCharacterTextSplitter # 阶段 1:按标题分层(保留 H1/H2/H3/H4 作为 metadata) _MD_HEADER_SPLITTER MarkdownHeaderTextSplitter( headers_to_split_on[ (”#”, ”H1”), (”##”, ”H2”), (”###”, ”H3”), (”####”, ”H4”), ], strip_headersFalse, ) # 阶段 2:把每个大块再按长度切(中英文混合分隔符) _CHAR_SPLITTER RecursiveCharacterTextSplitter( chunk_size512, chunk_overlap100, separators[”\n\n”, ”\n”, ” ”, ”。”, ””, ””], ) def load_document(file_path: str) - list: ”””统一文档加载入口,扩展时可在此加格式分发””” raw open(file_path, encoding”utf-8”).read() md_docs _MD_HEADER_SPLITTER.split_text(raw) return _CHAR_SPLITTER.split_documents(md_docs)关键点:阶段 1 的输出带 metadata(比如 {“H1”:“第二章”,“H2”:“2.1 概述”}),检索时命中后可在 prompt 里把这些层级带回去——显著提升答案的上下文还原度。六、选型决策树(实战速查)内容是什么? ├── 高度统一(短消息) → 固定大小 ├── 结构化 Markdown / HTML → 文档结构(标题) 递归字符(两阶段) ├── 代码 → RecursiveCharacterTextSplitter.from_language() ├── 叙事/技术长文 → 语义切分 / Late Chunking ├── 高价值低数量 → LLM 驱动 └── 内容异构(混合仓库) → Agentic / Hybrid chunk_size 选多少? ├── 默认起手 → 512 token 10% overlap ├── 短问答 → 200–400 token └── 论文/手册 → 512–800 token,overlap 5–10% 要不要做父子切分? ├── 只要检索快 → 单层 └── 还要给 LLM 长上下文推理 → 父子(父 2048 / 子 256–512)七、常见陷阱(Chroma / Databricks / Amir Teymoori)切太小:代词丢失 → 幻觉。切太大:噪音多 占 token 多 → 慢 贵。零 overlap:跨块查询的关键词会正好落在边界外,漏召回。无视结构:在表格/列表/代码中间切断。一套参数打天下:FAQ 适用 ≠ 论文适用。不评测就上线:切分是唯一必须用真实查询评估的环节——A/B 不同策略跑 recalln 再说。length_function len:中文 / emoji / 多字节字符,字符数 ≠ token 数,容易超出 embedding 模型 512 上下文。生产建议换 tiktoken。学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】