技术专题 · RAG 02 · Chunking资料到底应该怎么切？
店员能看到的
query：饮料洒了一半，这杯能退款吗？（Q02-zh）
evidence_sections：refund.spillage.severe
| strategy | 索引 | complete | retrieved tokens | signal |
|---|---|---|---|---|
whole-document | 7 块（一份文件 = 一块） | true | 3309 | 3% |
structure-aware | 60 块 | true | 283 | 41% |
whole-document 的 top-3 是 3 份完整文件：refund-policy.md（1308 tokens）、store-operations.md（1025 tokens）、allergens.md（976 tokens）。 两边都取全了证据；差别只在为这一个问题带回了多少文字。
全部 11 题平均：whole-document complete 11/11 · 平均 2991 tokens · signal 8%；structure-aware complete 6/11 · 平均 396 tokens · signal 42%。
两处限制：索引里只有 7 个单位，top-3 就是整个知识库的 43%；7 份文件全部长于模型的 512-token 窗口，向量只代表每份文件的开头（39%–64%）。 整份文件当一块，相当于把「切多大」推到最粗的一端 —— 情境 2 的拉杆就是这件事。
点击概念，查看中文・日本語・English 对照与解释。
把文档分成检索单元。主体、条件与正文被拆散后，片段可能不足以支持回答。
相邻 chunk 故意保留一段共同内容，让切口附近的句子在两块里都能找到。它不增加知识库的内容，只让同一段文字在索引里多存一份；重叠越大，检索单位越多，Top-K 里出现近重复片段的机会也越大。
切分边界来自文档自身的结构 —— 标题、段落、一问一答、表格和它的注释 —— 而不是固定的 token 数。它不保证检索更准：词汇对不上时，切得再整齐也取不回来。
从资料集合中找回与问题相关的候选资料，之后仍需判断证据是否足够。
依据语义相关性找资料，能处理不同表述，但相似不等于事实相同。第八关结果为手写示例。
先检索相关资料，再把问题和资料交给模型生成回答。资料被找回不代表答案一定正确。