> For the complete documentation index, see [llms.txt](https://doc.duaer.com/zh/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://doc.duaer.com/zh/guides/rag-chunking-strategies-2.md).

# RAG 分块策略 2026-2027：调优之前如何判断优劣

本文整理自 Duaer 文档站，围绕企业 RAG 知识库的分块策略，讲解如何根据文档结构选择切分方式、如何用评测集量化效果，以及哪些常见做法应当停止。

## 为什么分块比看起来更难

许多团队在搭建检索增强生成（RAG）系统时，都会遇到同一个瓶颈：语言模型表现尚可，检索器也能返回看似相关的内容，但回答始终抓不住重点。问题的根源往往不在嵌入模型或大语言模型，而在于索引之前，源文档是如何被切成片段的。分块是一个看似不起眼却决定检索器最终能找到什么的关键决策。

搜索 2026 年的 RAG 分块策略，你会在各处看到同样的清单：固定长度切分、递归切分、语义切分，以及按标题等结构切分。清单本身并不难，难的是判断哪种策略适合你的文档、如何验证它是否真的有效，以及哪些习惯应该放弃。

分块必须同时满足两个方向相反的要求：片段要足够小，才能与问题精确匹配；又要足够大，才能携带回答问题所需的上下文。如果一个片段把政策例外条款和它所修改的政策主体切开，检索器会很有把握地召回它，却给出错误答案；如果片段过大，嵌入向量就会混杂三个主题，失去焦点。

文档类型越多样，难度越高。产品手册、已签署的合同、表格导出文件、会议记录和代码仓库，各自的天然语义单元都不同。用同一种切分器处理所有文件，是试点在演示数据集上效果很好、到了真实文件上却明显下降的最常见原因。

## 对策略清单的三个常见误读

第一个误读是把策略按“高级程度”排序。语义切分听起来比固定长度切分更先进，于是团队默认采用。实际上，对格式良好的文档，一个简单的结构感知切分器往往优于复杂的语义方法，因为文档本身的标题已经编码了人类会选择的边界。复杂度并不会自动转化为效果。

第二个误读是直接照搬框架教程中的默认参数。教程参数是为了让演示看起来整洁而选择的，并非为了适配你的语料。片段长度、重叠量和分隔符都应被视为需要检验的假设，而不是既定事实。

第三个误读是只用几个问题来判断效果。五六个精心挑选的问题几乎总会看起来没问题，但它们无法暴露真实用户提出模糊问题时，或答案横跨两个章节时才会出现的失败模式。

## 用三层指标正确读取信号

评估分块策略时，不要只依赖一个综合分数，而应拆成三层来看。第一层是检索：对每个测试问题，包含答案的段落是否出现在前几名结果中，排在第几位。第二层是答案忠实度：在给定检索文本的情况下，生成的答案是否始终没有超出原文的内容。第三层是失败分布：哪些文档类型、章节或提问方式最常失败。

真正的决策依据通常来自第三层。某个策略平均看起来略逊一筹，却可能在对你的业务最关键的文档类型上明显更好。另外，比较不同语料或不同测试集上的数字时要格外谨慎。公开基准的分数对你的合同或维护日志几乎说明不了什么。只有在相同数据、相同问题上运行的比较，才有意义。

## 让策略匹配文档结构

一个务实的起点，是把每类文档映射到它天然具有的语义单元上。层级清晰的手册和知识库适合按标题层级切分，并把标题路径保留在每个片段中。带编号条款的政策和合同适合按条款切分，因为一条条款及其例外，正是读者会引用的单位。较长的叙述性报告适合带少量重叠的递归切分，这样在边界处被截断的句子，仍能与其相邻内容一同出现。表格需要特殊处理：保持行的完整性，并重复表头，否则检索器会返回一个数字，却不知道它衡量的是什么。源代码最好沿函数或类的边界切分。

关键不在于寻找一个通用答案，而在于为每一个主要文档集明确写出“正确的片段应该是什么样”，然后选择那种在大多数情况下能产出这种形态的切分器。

## 建立小型评测集，并为每个分块保留上下文元数据

要做出良好的决策，并不需要庞大的基准测试。从未来使用系统的人那里收集几十个真实问题，并为每个问题标出能正确回答它的段落。然后，在两到三种分块策略下运行同样的检索步骤，记录正确段落在结果中的位置。失败时，标注原因：答案被切分到多个片段中、片段缺少标题、表格丢失了表头，或者措辞与嵌入匹配差异太大。

这份带标注的清单比任何公开排名都更有价值，因为它告诉你下一步应该修复什么。每次改动之后都要重跑同一套问题，让改进是被测量出来的，而不是想当然的。如果你不想为这类并排比较自行拼接脚本，也可以在 Duaer 中搭建同样的“分块—检索”流程，并用自己的问题集运行。结果应当依据上文所述的方法来判断，而不是依据本文的任何结论。

另一个容易被忽视的问题是元数据。一个进入模型时不带来源标题、章节路径、文档日期和访问权限标签的片段，会引发两类问题。第一类是错误回答：已被取代的旧政策条款，与现行条款看起来完全一样。第二类是数据泄露：受限文档中的片段，可能被不该看到它的用户检索到。应在建立索引时就附加元数据，并把标题路径拼接到片段文本前面，让嵌入向量和模型都能看到上下文。跳过这一步的团队，通常要等到用户反馈说“答案从技术上检索到了，但对他的角色来说是错的”时，才会发现问题。

## 应当停止的做法与本周可以先做的一步

有几种习惯会白白浪费精力。第一，在清理源文档之前就去调整分块大小。重复的页眉、损坏的 PDF 文本和零散的页码，会扭曲每一个结果。第二，不加区分地到处添加重叠，因为这会膨胀索引，还可能让近似重复的段落挤掉正确的那一条。第三，在不重跑同一套评测集的情况下切换策略，因为一个“感觉更好”的改动，往往只是换了一组失败案例而已。

许多这类症状看起来像是模型质量问题，但其根源通常是更上游的构建决策。我们关于企业 RAG 知识库为何给出不准确答案的指南，更详细地梳理了这些上游原因：https://doc.duaer.com/zh/guides/enterprise-rag-knowledge-base-build/

本周可以先做一件事：选一个高价值的文档集，例如某一本产品手册，或某一类合同。收集当前使用者提出的二十到三十个真实问题。对该文档集运行两种分块策略，记录每个问题正确段落的排名，并写下三个最常见的失败原因。把结果分享给负责这些文档的团队，因为他们最清楚哪些失败真正重要。然后基于这些证据决定下一步改动。

最合适的分块策略，是你自己的真实问题所证明有效的那一个，而不是教程页面最上方的那一个。如果你的团队准备好在真实文档上运行这样的比较，可以访问 https://www.duaer.com 注册并试用该流程。请把它当作一个需要依照上述方法加以检验的产品，而不是一个中立的结论。

如果您告诉我们团队想要索引哪些类型的文档、需要回答哪些问题，我们会为该场景回复一份书面的落地路线。欢迎提交您的场景：https://api.duaer.com/form/c59a907a-3697-4edf-a04d-3ea0fb72fdc8

## 常见问题

### RAG 分块应该切多大？

没有放之四海而皆准的固定大小。应先依据文档的天然结构（标题、条款、函数等）确定语义单元，再用自己的真实问题对几种片段长度做对比测试。长度和重叠量都应被视为需要验证的假设，而不是直接照搬教程默认值。

### 如何判断某种分块策略在企业文档上是否有效？

建议从三层看：检索层，正确段落是否出现在前几名结果中以及排名位置；答案忠实度层，生成答案是否严格基于检索到的文本；失败分布层，哪些文档类型、章节或提问方式最常失败。同时要用同一批真实问题在相同数据上进行比较，不要依赖公开基准分数。

### RAG 回答不准确，应该先调分块还是先换模型？

通常应先检查源文档清理情况和分块方式。重复页眉、损坏的 PDF 文本、表格丢失表头、缺少标题路径等问题，往往比模型本身更容易造成错误回答。在清理数据并建立评测集之前，不建议频繁更换模型或策略。

