问做RAG知识库分块大小设多少、overlap用多少、按什么规则切——网上的说法五花八门到底有没有一个通用的标准答没有通用标准但有几条经过反复验证的经验规则。分块策略的选择取决于文档类型和用户提问方式两个因素。下面把三种主流文档类型的推荐配置和决策逻辑讲清楚。一、先理解分块到底在解决什么问题分块的本质是把长文档切成可独立检索的信息单元。切大了一个块里包含太多信息检索时“命中但不精准”——用户问“付款条款”结果把整章合同都召回大模型填进上下文后反而被无关信息干扰。切小了关键信息被拆散——“违约金超过5%要总经理审批”这个完整规则被切成两块用户只检索到前半段回答就是错的。分块的目标不是“切得均匀”是“切得完整”——每个块本身要是一个可独立理解的信息单元。二、三类文档的推荐配置类型一规章制度/条款类文档这类文档的特点是每个条款本身就是独立的信息单元条款之间逻辑关系较弱。推荐配置按条款号切分每个条款单独成块不设overlap。为什么这样切用户问“采购金额超过多少需要总经理审批”最精准的命中方式是直接命中《采购管理制度》第三章第五条这个条款块。如果把多个条款切在一起用户可能拿到一堆不相关的条款信息。实践数据某制造企业将1200份制度文档按条款切分成约3.2万个块Top-5召回率从固定512字切分的78%提升至91%。类型二技术手册/操作规程类文档这类文档的特点是章节之间有较强的逻辑依赖关系一个操作步骤的上下文可能跨越多个段落。推荐配置按章节标题切分每个章节内的段落保持连续overlap设100-200字。为什么加overlap技术手册里“拧紧力矩为50N·m”这个信息可能出现在章节末尾而章节标题“第3章·螺栓紧固工艺”在章节开头。不加overlap的话检索时可能只命中“50N·m”这个块但不知道这个数值是用于哪个工艺的。overlap确保章节标题和正文内容有重叠检索时两者同时被命中。类型三FAQ/问答类文档这类文档的特点是每个问答对本身就是独立的、完整的知识单元。推荐配置一个QA作为一个块不切分、不设overlap。FAQ是最适合RAG的文档类型——问题本身就是最优的检索匹配对象。如果把一个问题切碎了用户提问时反而匹配不到完整的问答对。一个QA作为一个块是唯一正确的做法。三、三个常见误区误区一所有文档用同一个分块策略这是最常见的问题。把规章制度、技术手册、FAQ、会议纪要全部按512字一刀切——效果一定差。不同文档类型必须用不同的分块策略。误区二overlap越大越好有人觉得overlap设大一点能保证信息不丢失设到300字甚至500字。但overlap太大会导致同一个信息被多个块重复包含检索时召回大量冗余内容浪费上下文窗口。overlap的作用只是“保证边界信息不丢失”100-200字足够了。误区三分块策略一次定死就不动了文档类型会变、用户提问方式会变、业务需求会变。分块策略应该是一个可迭代的东西——上线后每两周抽样检查一次召回质量发现某类文档召回率下降就针对性调整其分块策略。FAQQ表格和图片怎么处理A表格不要切分整表保留为一个块。图片需要先做OCR或图片描述生成把文字内容提取出来后和图片一起作为块的内容。Q分块策略会影响向量检索的速度吗A影响很小。块的数量增加会略微增加检索耗时但现代向量数据库Milvus、Qdrant对百万级向量的检索耗时通常在毫秒级。分块策略主要影响的是“召回质量”而非“检索速度”。Q有没有一种分块策略能覆盖所有场景A没有。也不需要。按照文档类型做分类分块——制度类按条款、手册类按章节overlap、FAQ按问答对——做到这三类就已经覆盖大部分企业文档了。一句话总结分块策略没有万能公式但有成熟的经验规则——条款类按条款、手册类按章节加overlap、FAQ按问答对。三种策略覆盖大部分企业文档别对所有文档用同一套参数。