Chunking 策略：文档切法的学问
2026/8/23大约 2 分钟
AICon 2026 学习系列 · 阶段 2 · RAG 与数据 · 第 12/43 篇 · 🚧 占位待学
上一篇：《Embedding 与相似度：语义坐标系》
下一篇：《混合检索与 Rerank：召回求全、重排求准》
学习大纲：《AICon 2026 学习总纲》
状态：待学习。 本文为占位文档：知识点清单、实验与验收标准已就绪，正文待按「先学习、先实验、再撰写」补全。
对应总纲单元：阶段 2 · 单元 2.2
一、本文要解决的问题
同一份 PDF，切法不同，检索效果天差地别。切大了喂噪声、切小了丢语境——chunking 是 RAG 效果的第一道分水岭。
二、知识点清单
- 固定长度 / 递归字符 / 按结构（标题、段落、Markdown 层级）三种切法
- chunk_size 与 overlap 的取舍
- 表格、代码、图文混排的特殊处理
- 元数据挂载：来源、标题路径、页码——溯源与过滤的钩子
三、动手实验（学习时必须真跑）
- 同一份 PDF 三种切法各建索引，同一组 10 个问题对比命中
- 故意用错切法（表格被从中间切开），观察答案劣化
四、验收标准（全部通过才进入下一篇）
五、写作提示（补正文时遵守）
- 开篇问题驱动；结构走「是什么 → 为什么 → 怎么做 → 背景知识」
- 所有代码、命令、输出必须先在本机跑通再写入，不得杜撰
- 版本口径以总纲环境清单为准（Python 3.12 / Ollama / vLLM 与 SGLang 最新版 / Spring AI 1.x）
- 涉及版本敏感结论时标注出处与时间
本篇完成后，把文首导航块的「🚧 占位待学」去掉，并在总纲处打卡。