几个关键参数：chunkSize、overlap
在动手切之前，有两个参数你必须搞清楚：chunkSize（块大小）和 overlap（重叠量）。
chunkSize 就是每个块的长度上限。
overlap（重叠）是指相邻两个块之间共享的文本长度。
固定大小分块（Fixed Size Chunking）
1.1 原理
这是最简单粗暴的方式：不管文本内容是什么，每隔固定数量的字符就切一刀。
假设 chunkSize = 100，overlap = 0，上面那段示例文本会被这样切：
- 块 1：从第 1 个字符开始，取 100 个字符
- 块 2：从第 101 个字符开始，再取 100 个字符
- 块 3：从第 201 个字符开始，再取 100 个字符
- ......依此类推
优缺点：
重叠分块（Overlapping Chunking）
2.1 原理
重叠分块是对固定大小分块的直接改进。核心思路很简单：切块的时候，相邻两个块之间留一段重叠区域，这样即使切割点落在句子中间，重叠部分也能保证关键信息不会被完全切断。
还是用退货政策那段文本，chunkSize = 100，overlap = 25：
- 块 1：从第 1 个字符开始，取 100 个字符
- 块 2：从第 75 个字符开始（100-25=75），取 100 个字符
- 块 3：从第 150 个字符开始，取 100 个字符
2.3 优缺点
递归分块（Recursive Chunking）
3.1 原理
递归分块是目前实践中最常用的策略。它的思路可以用一句话概括：先尝试用最大的分隔符切，切完如果某个块还是太大，就换一个更小的分隔符继续切，直到所有块都在 chunkSize 以内。
具体来说，它维护一个分隔符列表，按优先级从高到低排列，比如：
["\n\n", "\n", "。", "，", " ", ""]3.2 优缺点
语义分块（Semantic Chunking）
4.1 原理
前面三种策略有一个共同的局限：它们都是基于规则的------要么按字数切，要么按标点符号切。它们不理解文本在说什么。
语义分块换了一个完全不同的思路：用 Embedding 模型来判断文本的语义相似度，在语义发生明显变化的地方切割。
具体过程是这样的：
- 先把文本按句子拆开（这一步可以简单地按句号切）
- 对每个句子生成一个向量（Embedding）
- 计算相邻句子之间的向量相似度
- 当相邻句子的相似度低于某个阈值时，说明话题发生了转换，在这里切一刀
对比 Embedding vs LLM 分块：
4.2 优缺点
混合分块（Hybrid Chunking）
5.1 原理
实际项目中，单一的分块策略往往不够用。不同类型的文档、甚至同一份文档的不同部分，可能适合不同的分块方式。混合分块的思路就是：把多种策略组合起来用，取长补短。
常见的组合方式有几种：
- 第一种，递归分块 + 语义分块。先用递归分块做粗切，把文本按段落、章节切成大块；然后对每个大块再用语义分块做细切，确保每个最终的块在语义上是内聚的。
- 第二种，按文档类型选策略。比如在一个企业知识库系统中，产品手册用递归分块，FAQ 用按问答对切割，合同文本用语义分块。在代码层面，就是一个路由逻辑，根据文档的类型或来源选择不同的分块器。
- 第三种，分块 + 后处理。先用递归分块切完，然后对结果做一轮后处理：合并太短的块、拆分太长的块、给每个块补充元数据（比如所属章节标题、文档来源）。
5.2 优缺点
分块策略怎么选：一张表帮你决定
不同文档类型的推荐策略
先用Tika等工具做文本抽取→再用清洗器做结构修复与去噪→最后才进入分块与向量化
文末总结
分块是 RAG 数据准备阶段的关键一步。拿到 Tika 提取的纯文本后，不能直接用，需要切成大小合适、语义完整的小段，才能在后续的检索环节中被精准匹配到。
五种分块策略各有定位：固定大小分块最简单但最粗暴；重叠分块用重叠区域缓解边界断裂；递归分块逐层细化，是大多数场景的默认选择；语义分块基于 Embedding 做语义级切割，精度最高但成本也最高；混合分块组合多种策略，适合企业级复杂场景。
chunkSize 和 overlap 这两个参数没有最优值，需要根据你的文档类型和检索场景来调。记住起步参考值：chunkSize=500、overlap=50，然后根据实际效果微调。
分块之后，每个文本块还只是一段人类能读懂的文字。计算机要做相似度检索，需要把这些文字转成它能理解的数字表示------这就是向量化（Embedding）