知识库分块策略：全面对比与选型指南

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Q&A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Q&A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。

FAQ

Q：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。