长文档切片策略：按文档类型切，而不是按字数切

长文档切片，指的是把一份几十页甚至上百页的文件，拆成检索系统能精确定位、能作为引用出处、同时又不丢掉语境的片段。它是文档进入知识库前的最后一道工序，也是最容易被跳过的一道 —— 很多「检索不准」的问题，追到底都是切片切坏了

固定长度切片为什么会出问题

按字数平均切分实现最简单，在结构规整的纯文本上也确实够用。但企业文档大多不规整：一份设备手册里有步骤、有参数表、有安全警告；一份合同里有条款、有附件、有金额表。等距切分会产生三类问题：

• 语义被截断：一个完整结论被切成两半，检索只命中后半句，答案就少了一半前提。
• 表格被破坏：表格行与表头分离后，模型看到的是没有列名的数字，既读不懂也容易被误读。
• 标题与正文分离：小节标题掉进上一块，正文片段失去主题线索，向量表示随之偏掉。

这三类问题的共同点是：它们不会报错，只会在回答质量上慢慢显现，因此很难靠开发阶段的测试发现。

按文档类型选切片方式

切片没有通用参数，只有按文档类型分派的规则。下面这组对应关系来自实际项目里反复出现的六类文档：

• 制度与规范：按条款层级切，一条一款为一块，保留条款编号与所属章节标题。
• 合同与协议：按条款切，同时把「定义」「适用范围」这类前置条款作为公共片段附加给同一文档的其他块。
• 技术手册与操作规程：按步骤与章节切，一个操作步骤为一块，参数表整表保留。
• 会议纪要与邮件：按议题切，一个议题为一块，保留时间、参与人与结论三要素。
• 表格与财务报表：整表为一个单元并转成结构化描述，行列不做拆分。
• 问答与常见问题：一问一答为一块，不与其他内容混切。

这张对照表的作用是让切片策略可以被讨论和复核。当团队争论块大小该设多少时，真正该先回答的是这份文档属于哪一类、它的语义边界在哪里。

重叠窗口与父子块

重叠是指相邻两块共享一小段内容，用来避免关键句正好落在切分点上。重叠比例通常不需要很大，过大的重叠会带来大量重复命中，挤占后续排序的名额，让真正有区分度的片段排不上去。

父子块解决的是另一对矛盾：检索要精确，回答要完整。做法是子块负责被检索到，命中后回溯到它所属的父块（整节或整章）再交给模型。这样既能精确定位，又能把完整语境带上去，代价是索引要多存一层映射关系，更新时两级都要同步。

验收口径

• 抽二十个高频问题，检查命中的片段本身是否可读 —— 人看不懂的片段，模型也很难用对。
• 抽查涉及的表格与条款，确认表头与内容、条款与适用范围仍然在一起。
• 同一份文档更新后，新旧片段不会同时留在索引里。
• 切片策略有文字记录，且能回答「这类文档为什么这样切」。

不要做的事

不要把切片当成一次性调参。文档类型会变、业务会增，切片规则需要跟着一起维护。也不要在没有固定评测问题集的情况下反复调整块大小 —— 没有评测手段，调参只是把问题从一处挪到另一处，而且没人能证明是变好了还是变差了。