跳到主内容
RAG Chunk 为什么不能只按固定字数切？ · AlgoMooc
面试题 · RAG 项目面试题
RAG Chunk 为什么不能只按固定字数切？ 文档解析阶段已经拿到标题、段落、列表、表格、图片说明、代码块、页码和布局区域。切分器应当利用这些结构，而不是先把它们拍平成字符串，再尝试猜回原来的关系。
标题、正文段落、列表、表格、图片说明和代码块先按类型整理。属于同一个段落 ID 或布局区域的碎片先合并，不能因为 PDF 换页就立即断开。
从同一章节内依次加入原子单元。在不超过 Token 预算时，尽量保留本来连续的说明。遇到主题切换、标题切换或内容类型变化时，可以结束当前块。
如果单个段落本身超过上限，再沿句号、分号、列表项或段内小标题递归拆分。只有自然边界仍然无法满足预算时，才使用更细的长度兜底。
正文继承文件名、标题路径和页码；表格携带理解数据所需的表头；列表保留前导句；代码块保留语言与所属小节。
检查空块、过短块、超长块、重复块、缺少标题路径的块，以及被切断的表格和列表。通过后再进入向量化和索引。
解析先提供结构，切分再形成原子单元、按预算合并、递归处理超长内容并补齐上下文，最后通过质量检查入库。
这条链路里，Token 预算一直存在，但它是上限，不是第一把刀。
原子单元先告诉系统哪里不该随便切，预算再告诉系统一块最多能装多少内容。这样才能兼顾结构和模型输入限制。
实现时还要把“边界判断”和“长度计算”拆开。边界判断负责给每个原子单元标记章节、内容类型、是否可继续合并；长度计算只回答加入下一个单元后是否超过预算。两者混在一个循环里，常见后果是为了满足长度，悄悄跨过标题、表格或列表边界，最后很难解释某一块为什么这样生成。
下面是一段只表达控制流程的教学伪代码。它没有绑定任何解析框架，也没有给出可直接照搬的阈值：
for unit in parsed_units:
if changes_semantic_scope(current, unit):
emit(current)
current = new_chunk(unit)
elif token_count(current, unit) <= max_tokens:
current.append(unit)
else :
emit(current)
current = new_chunk_or_split(unit)
emit(current)真正落地时，changes_semantic_scope 至少要读标题路径、内容类型和父结构。new_chunk_or_split 也不能只调用固定长度切分：普通长段落可以沿句子递归处理，表格、代码和图片说明则应进入各自的降级策略。这样一条 Chunk 才能从结果反查到具体规则，而不是只能看到一个无法解释的长度。
还要固定规范化步骤的版本。换行合并、页眉去除、句子分隔规则只要发生变化，边界和 ID 就可能一起变化。若没有记录解析版本与切分版本，同一份文档重跑后出现不同 Chunk 时，团队无法判断是原文变化、解析变化还是参数变化。
标题应该单独切一块吗？ 一种做法是把每个标题单独做成很短的 Chunk。问题是标题通常只有几个词，缺少能直接回答问题的正文，还会产生大量相似候选。
另一种做法是完全丢掉标题，只保留正文。子段落里如果大量使用“本规则”“上述情况”“该材料”之类表达，脱离标题后就不知道主题是什么。
例如某段正文可以继承“申请流程、材料要求、特殊情形”这样的层级路径。检索返回时，系统既能展示正文，也能告诉用户它属于哪一节。
是否把标题文字拼进用于 Embedding 的内容，则要通过评测决定。
标题明确、正文依赖代词时，加入标题可能补充语义。标题高度重复、正文已经自包含时，反复拼接同一标题可能让不同 Chunk 变得更像。
所以“保存标题路径”和“把标题写进向量文本”是两个决定。前者服务结构与追溯，后者影响检索表示，不能混成一个开关。
表格、列表和代码为什么不能按普通正文切？ 表格的最小语义单位不是一句话，而是表头、行名、列名和单元格之间的关系。
小表格如果能在预算内完整保留，可以作为一个整体。大表格超过上限时，可以按行组或有意义的分区拆分，但每个块都要继承表头，并标记自己属于哪张表以及哪一部分。
只把数据行复制出来，虽然节省 Token，却让数值失去含义。
原文可能写“以下情况不予受理”，后面跟着若干列表项。如果每个列表项单独成块，检索命中“材料不完整”时，模型可能看不到“不予受理”这个共同结论。
处理时应优先把前导句和列表项放在一起。列表太长需要拆分，也要让每一块保留前导语义。
从函数中间切开，后半块可能只剩一个条件分支，看不出输入和目的。切分器至少要知道代码块边界，超长时再按函数、类或明确代码结构处理，而不是按普通句号拆分。
图片说明同样需要和对应图片或图表建立关系。如果只保存“如下图所示”，却没有图片内容与标题，这个 Chunk 几乎没有检索价值。
Overlap 能解决什么，又不能解决什么？ Overlap 的作用，是让边界附近的信息至少在一个 Chunk 里保持完整。
假设前一块在一句话中间结束，后一块从半句话开始。让后一块继承前一个完整句子，可以避免两边都缺少语义。
它不能把已经错误交叉的双栏重新排好，不能给丢失的表头补回列名，也不能把被 OCR 漏掉的文字重新创造出来。
同一段内容被复制到相邻多个 Chunk，增加存储和上下文消耗。检索时，这些近重复块可能一起排在前面，挤掉真正互补的证据。
当前一块确实在同一语义单元中结束时，后一块继承必要句子。边界本来就是章节切换时，不应为了凑固定长度复制上一节内容。
Size 控制一块内容的预算，Overlap 保护边界附近的必要上下文。阅读顺序、表格结构和 OCR 缺失必须在更早环节处理。
这也是为什么 “Chunk Size 加 Overlap” 不能概括完整切分方案。
面试官更想听到的是，你先识别了什么结构，哪些内容被视为原子单元，哪些边界允许断开，Overlap 又只在哪些情况下启用。
前后 Chunk 关系还要不要保存？ 即使边界合理，也会遇到单个问题需要相邻证据的情况。
例如检索命中的块以“但以下情况除外”开头。它本身可能包含完整例外列表，却没有说明前面讨论的是什么规则。此时，与其把所有 Chunk 都做成很大，不如保存前后关系，在命中后按需要扩展上下文。
每个 Chunk 可以记录前一个和后一个内容块的稳定标识，同时保留章节路径和原文位置。系统发现候选缺少前导句、引用对象或续表信息时，再读取相邻块进行补充。
如果前后块属于不同章节，直接拼接可能混入另一主题。如果每次命中都把前后各拉一块，实际效果接近把 Size 隐性放大，还会增加重复内容。
因此，扩展前至少要检查章节是否一致、内容类型是否允许连接，以及当前候选到底缺少什么。列表块可以向前寻找前导句，续表块可以寻找表头，普通自包含段落则不必扩展。
Overlap 是入库时复制一部分边界内容，所有查询都会承担它的存储与重复成本。前后关系是检索后按需读取，没有需要时不增加候选正文。
两者都能补上下文，但使用时机不同。边界处长期都需要同一句话，可以考虑自然边界 Overlap；只有少数查询需要额外解释，更适合按关系动态扩展。
四个坏样本，分别说明了什么？ 以下四个坏样本均为教学场景，只用于说明排查方法，不代表真实项目结论。
条件与结论被拆开（教学示例） 前一块写适用对象，后一块写办理结论。用户问题只命中结论词，召回结果缺少适用条件。
先看原子单元是否定义过细，再看段落和列表前导句是否被保留。盲目增加固定 Overlap 可能暂时补回某个例子，却无法保证其他边界也合理。
一个块里混入多个主题（教学示例） 同一块同时包含申请、审核、收费和例外规则。用户只问收费，候选却带回大量无关内容。
先检查标题切换和自然段边界，再看 Size 上限是否过大。不能只通过调低检索门槛解决，因为根因是表示本身不聚焦。
表格数据有值却没有表头（教学示例） 正确数值可能被召回，模型却不知道它对应费用、期限还是数量。
检查表格是否作为结构单元处理，长表格拆分后是否为每个块继承表头，以及表格标题和页码是否保留。
前几条结果几乎一模一样（教学示例） 先查看相邻 Chunk 的重复比例和来源位置，再判断是 Overlap 过大，还是同一内容被不同版本写入。不能仅靠 Rerank 掩盖重复，因为候选空间已经被同类片段占满。
坏样本比一个平均分更能说明切分质量。它告诉你是块太小、块太大、结构丢失，还是重复过多。
参数应该怎样用实验选？ 这道题只保留实验原则：准备带原文证据位置的问题，固定向量模型、检索、候选数和重排，只替换结构切分方案。查看正确证据是否完整、标题与条件是否继承，以及近重复片段是否挤占候选，不能只看最终答案。
问题集不能只挑“答案正好落在一个自然段里”的简单题。至少要覆盖四类边界：答案跨两个段落，结论依赖前置条件，长列表中的单个条目，以及表格或代码等非普通正文。每条问题同时标记最小必要证据范围，评测时才知道系统召回的是完整证据，还是只碰巧命中几个关键词。
对照实验也要保持可复现。为每种切分方案保存规则版本、长度分布、Chunk 数量和相邻重复比例；查询侧固定索引数据、Embedding 模型、过滤条件、Top-N 与重排配置。若一边改切分，一边换模型或调整候选数，最终即使指标上升，也无法把变化归因到语义边界。
结果应分三层读。第一层是候选覆盖：正确证据有没有进入前 K 条。第二层是证据可用性：被找回的块是否带齐条件、表头或步骤顺序。第三层是生成代价：拼接后用了多少块、多少 Token，近重复是否挤占上下文。只看最终答案会把生成模型的猜测能力混进切分评估，也会掩盖“答案对了但证据残缺”的风险。
上线前可以把两种方案并行写入隔离索引，用同一批脱敏问题回放。先比较离线结果，再对失败样本逐条看原文边界。确认新方案没有让重要类型退化后，才切换读取版本。这个流程不需要虚构一个普遍适用的提升比例，但能让面试官听到完整的验证闭环。
固定检索与模型配置，只比较不同切分方案。结果同时观察证据排名、拼接块数、重复比例和上下文 Token。
切分参数被追问时，回到证据边界 这些追问不要从某个固定 Token 数开始答。先判断一条证据的自然边界，再说明长度上限、重叠和特殊结构分别怎样兜底。
为什么不能直接用 512 Token？ 可以把它当实验起点，但不能当通用结论。文档结构、问题粒度、向量模型输入和上下文预算不同，合适上限也会不同。更重要的是先确定语义边界，数字只负责限制最大长度。
Overlap 越大，语义是不是越完整？ 不一定。更大重叠会复制更多内容，增加存储、上下文和近重复召回。Overlap 只应补必要的边界语义，并尽量对齐完整句子或段落。
标题要不要拼进每个 Chunk？ 标题路径应当保存在结构字段里。是否加入 Embedding 文本要通过评测判断。正文依赖标题时可能有帮助，标题高度重复时则可能降低不同块的区分度。
单个表格已经超过上限怎么办？ 不能因为“表格不可拆”就无限突破预算。可以按有意义的行组或分区切分，但每一块都要保留表头、表格标识和分段关系，确保数据仍能解释。
切分后召回率提高，就说明方案更好吗？ 还不够。候选可能因为块更多和重复更多而提高覆盖，同时 Precision 下降、上下文变长。还要看证据排名、近重复、拼接块数、总 Token 和具体坏样本。
新文档类型进来，要不要全库重新调参？ 先按类型观察。新文档可能只需要新增一种结构策略，不必改变所有旧内容。确认新类型的失败模式后，再决定局部重建还是全局调整。
面试官如果继续问“怎样定位一条坏 Chunk”，可以从结果向前倒查：先用引用定位原文页和区域，再读取 Chunk 的标题路径、原子单元列表、切分规则版本与前后块；确认原子单元是否已经缺失，再判断错误发生在解析、边界合并还是检索阶段。若解析结果本身就丢了列表前导句，调 Size 没有意义；若原子单元完整但合并跨了章节，才应修改切分规则。
如果问“如何监控线上质量”，不要回答只看平均 Chunk 长度。更有用的是分文档类型观察过短、超长、空块和近重复比例，记录必须跨块才能回答的问题，以及引用被用户打开后定位失败的样本。分布异常负责发现系统性变化，真实坏样本负责说明变化是否伤害答案，二者缺一不可。
把 Chunk 设计讲成一条证据链 收尾时沿着“结构原子—边界合并—来源继承—固定问题验证”组织，而不是报一个看似精确的通用数字：
Chunk Size 没有跨项目通用数字。我的思路是先利用解析结果中的标题、段落、列表、表格和代码结构形成原子单元，再在 Token 上限内按语义顺序合并。单个单元超长时，优先沿句子、列表项或段内小标题递归切分，长度切分只作为最后兜底。
每个 Chunk 会继承标题路径、页码和原文位置。表格拆分后保留表头，列表保留前导句。Overlap 只用于保护边界附近的必要上下文，不能修复阅读顺序错误、表格结构丢失或 OCR 漏字，也不能无限增大，否则会造成重复召回和上下文浪费。
参数选择上，我会固定向量模型、检索和重排配置，用同一批问题与正确证据比较不同切分方案，观察前 K 条是否找回证据、一个答案需要几个块、近重复比例和上下文 Token。持续运行时按文档类型监控长度分布与坏样本，新类型出现时先局部定位，再决定是否重建。
面试官最终会用四个问题检查这套设计：关键证据有没有被切断，超长内容怎样退化，Overlap 是否制造了重复候选，以及同一批问题能否复现参数选择。做过切分优化，就带上本人处理的文档类型、真实异常样本、候选参数和评测结果；没有做过的实验，只说验证方案。
