上一篇讲了为什么要分块，以及规则与条件被切散后可能出现什么问题。接下来，一个实际问题是：应该按长度切，按段落切，还是让模型判断哪里该切？

这些方法并没有统一的优劣排名。先看清它们依据什么决定边界，再结合文档与问题选择，会比记住一串名字更有用。

一、先分清两件事

切分边界回答“在哪里断开”。固定长度、递归切分、按标题切分和语义切分，主要讨论的是这个问题。

检索后取回的范围回答“命中一小段之后，还要带回多少上下文”。父子块通常还包含这种检索组织方式：用小块定位，再取回它所属的较大内容块。[4]

它们可以组合使用。例如先按标题形成父块，再用递归方法切出子块。因此，父子块不能简单理解成比递归切分更高级的另一把“切刀”。

二、从同一份手册看三种边界

继续使用虚构的《文档助手说明书》：

文件上传：支持 PDF、TXT 和 DOCX。扫描版 PDF 需先完成 OCR，再上传。

账户设置：用户可以修改昵称和头像。

这只是教学示例。为了看清边界，下面省略完整产品规则和具体长度参数。

固定长度、递归与标题切分的边界对比

图 1：节选对比切分位置，不是某个库的实际运行结果，也没有展示所有块。

1. 固定长度：容易实现的起点

最直接的做法是按设定的字符数或 token 数切分，必要时设置重叠。长度单位取决于实现，字符数不能直接当成 token 数。

这种方法实现简单、便于控制长度，适合作为比较方案的起点。但如果直接在长度边界截断，句子和限制条件都可能被拆开。若实现会寻找附近的句末边界，具体结果又会有所不同。

2. 递归切分：优先使用文本边界

递归切分通常先尝试较粗的分隔符，片段仍过长时，再使用更细的分隔符。例如先按段落，必要时继续按句子或字符拆分。

这里的“递归”描述的是逐级细分的过程。常见的递归字符切分并不自动理解业务规则之间的依赖。 两句话即使各自完整，“支持 PDF”和“扫描件先 OCR”仍可能分属不同块。[1]

处理中文时，要检查分隔符是否包含中文标点，不能照搬只适合英文空格与换行的配置。

3. 按标题切分：利用已有的文档结构

手册已经划分“文件上传”和“账户设置”时，可以据此分组，让同一小节的规则尽量放在一起。

但一个小节也可能很长。实际可以先按标题分组，再对过长的小节递归切分。还应保留标题路径，帮助片段说明“自己来自哪里”；如果标题只存于元数据，就要确保后续检索或上下文组织确实使用了它。[2]

这类方法依赖结构提取质量。PDF 的标题若被识别成普通正文，切分器就未必能按预期工作。

三、没有清楚的标题，可以考虑语义切分吗？

可以把它作为候选方案。以 LlamaIndex 的一种实现为例：先组织句子及邻近文本，再通过嵌入相似度寻找可能的主题变化位置。[3]

它适合用来探索“排版结构不明显，但内容有话题变化”的材料。不过，这种相似度是模型表示上的接近程度，不等于规则之间的逻辑依赖。

例如“支持 PDF”和“扫描件必须先 OCR”都与上传有关，如何划为一组仍受嵌入模型和阈值影响。采用这种实现，还要考虑额外的嵌入计算、中文断句与长度上限，不能只看到“语义”二字就默认效果更好。

四、父子块：先定位小片段，再补回上下文

假设某个“文件上传”小节很长，既想用具体句子定位问题，又不想漏掉前后条件，可以保留两层内容：

  • 父块：较完整的小节。
  • 子块：从这个小节切出的较小片段，保存对应父块的标识。

父子检索流程：命中子块后按父标识取回完整小节

图 2：子块承担检索定位，父块补充上下文；同一个父块被多个子块命中时，需要合并重复结果。

当问题命中“扫描件先 OCR”的子块，系统再根据父标识取回“文件上传”父块，把其中的格式规定和处理条件一起组织进上下文。父块可以是较大的片段，不一定是整本手册。[4]

代价是需要维护两层内容及映射关系，而且取回大块后仍可能带入噪声、占用更多上下文。父子关系也不能补回不在该父块中的条件。

五、开始做项目时，怎样选择？

可以先根据资料形态选择一个容易检查的起点：

资料特点或遇到的问题 可以先尝试
很短且独立完整的 FAQ 每条问答作为一个单元，不必继续拆细
小节清楚的手册、Markdown 文档 按标题分组，过长部分再递归拆分
标题不稳定的普通长文本 用递归切分建立基线，再检查实际边界
结构不清，话题变化明显 评估语义切分，比较计算成本与检索效果
小块能定位，但经常漏掉同小节条件 考虑父子检索，并限制取回的上下文总量

这是一份起步建议，不是性能排行榜。先固定一组真实问题、嵌入模型、召回设置和上下文预算，再比较不同方案：关键证据是否齐全、重复与无关内容有多少、时间和成本是否可接受。

特别留意包含“例外”“必须先”“仅限”等条件的问题。一个方案能回答普通问题，不代表它能保住这些限制。

六、面试时可以怎样回答？

常见分块方法有固定长度、递归、按文档结构和语义边界切分。它们分别依赖长度、分隔符层级、标题结构和语义变化。父子块还涉及检索组织：先检索小块，再取回对应的大块补充上下文。实际可以组合使用，结合资料形态、模型限制和真实问题评估，不能仅按方法名称判断效果。

选择分块策略时，先问两个问题：这份资料有什么可靠的结构？用户需要哪些证据才能得到完整回答？方法应围绕这两个问题来选。

参考资料

  1. LangChain：Splitting recursively——递归分隔符、长度单位及中文处理。
  2. LangChain：Split markdown——标题分组、元数据与后续长度约束。
  3. LlamaIndex：Semantic Chunker——一种基于句子嵌入相似度的语义切分实现。
  4. LangChain：ParentDocumentRetriever——先检索子块，再取回父文档或较大父块。
  5. 题库第 17 题：在 RAG 中，常见的分块策略有哪些？分别有什么区别？——选题来源。