RAG 的切分策略怎么选：固定长度、按标题、按语义的取舍

切分粒度太粗会把无关内容一起塞进上下文，太细又会让一句话脱离前提。本文对比固定长度、按标题层级、按语义三种做法，给出选择依据与可落地的默认值。

为什么切分影响这么大

检索的基本单位就是「块」。块太大，一次召回会把大量无关内容带进上下文，模型容易答偏，也浪费上下文预算；块太小，一句「如上所述」脱离前提，检索到也没法用。

**固定长度切分**（例如每 500 字一块，重叠 50 字）

优点：实现最简单，任何文本都能切，块大小可控；

缺点：会在句子中间断开，标题与正文可能分家；

适用：格式杂乱的原始文本、日志、转录稿。

**按结构切分**（按标题层级、按段落、按列表项）

优点：块与人的阅读单位一致，检索命中后上下文自洽；

缺点：依赖文档本身有清晰结构，长段落仍需再切；

适用：技术文档、说明书、有规范标题的手册。

**按语义切分**（按语义相似度找「话题转折点」再切）

优点：块内主题一致性最好，长文效果通常最好；

缺点：需要额外一次向量计算，成本与延迟都更高，切点也不完全可预测；

适用：长文、访谈、没有明显结构的叙述性内容。

多数项目用「**先按结构、结构内再按长度**」的两段式最划算：

1. 先按标题切成大段，把标题文本一并写进块内（检索时标题往往是最强的信号）；

2. 大段超过阈值（常见 600~1000 字）再按句子边界切，保留 10%~15% 重叠；

3. 块内保留来源标识（文档名、章节号），便于回答时给出处。

**重叠不是越多越好**：重叠会放大索引体积，也会让同一内容被多次召回，取 10%~15% 通常够；

**切分要与检索方式匹配**：用混合检索时，两路必须共用同一套块，否则合并去重会失效；

**表格与代码块单独处理**：按字切会把表格切碎，最好整块保留或转成结构化描述。

不要凭感觉。挑 20~50 条**真实查询**，逐条看「该段落的块是否出现在前 K 条里」，统计命中率；再挑切得最差的几条回去看原始文本，通常一眼就能看出是切分问题还是检索问题。切分调整的收益，往往比换更贵的重排模型更明显。