文档切片：RAG 召回质量的第一道关

RAG 问答的质量，一半取决于检索召回，而召回质量从「怎么切文档」就开始了。切片太粗，语义混杂；切片太细，上下文被切断。切片策略是 RAG 工程里最容易被忽视又最影响效果的一环。

为什么切片重要

• 大模型一次只能看有限上下文，文档要先切成可检索的片段。
• 检索按片段召回，片段的「纯净度」决定召回是否准确。
• 片段切得不好，再好的向量模型也救不回来。

常见策略

• 固定长度：按 token 数硬切，简单但容易切断语义。
• 结构切片：按标题、段落、表格、列表边界切，语义最完整。
• 语义切片：用 embedding 相似度找语义边界再切，效果最好、成本更高。
• 重叠窗口：相邻片段保留部分重叠，避免关键句被切断。

权衡与调参

• 片段大小：太短缺上下文，太长稀释主题；常见几百到上千 token，需按场景试。
• 召回个数：返回片段数多召回高但噪音大，数少精度高但可能漏。
• 混合策略：结构切片为主，长段落再按语义细分。
• 建评估集：用真实问题集测「召回是否命中正确片段」，再调切片参数。

进阶

• 标题拼接：给片段带上所在章节标题，提升检索相关性。
• 多级检索：先检索到文档，再在文档内定位片段。
• 重新排序：切片后接 Rerank，进一步精修召回结果。

小结

切片是 RAG 的地基：按结构切保语义、按语义切保精度，配合重叠窗口与重排。别迷信某个固定参数，用业务问题集实测对比，才是调切片的正道。

参考与延伸阅读

• 本站「RAG 实战」「向量数据库」「RAG 系统评测」教程
• LangChain/LlamaIndex 官方文档中的切片章节（待核实最新版）