RAG分块策略2026：固定大小、递归、语义切分对比

分块大小是RAG里被调得最多、也最多人靠感觉设置的参数。不同分块策略到底改变了什么？怎么用数据来选？

💡 你将学到

分块大小是RAG里被调得最多、也最多人靠感觉设置的参数。不同分块策略到底改变了什么？怎么用数据来选？

检索质量只取决于它检索的单位。块太小丢上下文（看不到前一段）；块太大稀释相关性（一半离题，embedding把它平均掉了）。2026年三大策略：固定大小切分（每N字符切一刀加重叠窗口，10-20%重叠防止句子被拦腰截断，一切的基础）；递归切分（先按段落、再句子、再字符，尊重文档结构，LangChain的RecursiveCharacterTextSplitter是默认）；语义切分（用embedding模型检测主题边界再切，LlamaIndex的SemanticSplitterNodeParser，质量最好但最慢最贵）。社区基准的一致结论：256-512 token是多数问答负载的甜点；长上下文模型减轻但没消除好分块的需求；10-20%重叠对基于句子的文档有可测提升。分块要跟着查询类型走：事实查找要小块高精度；摘要要整节结构化；对比要每块含一个完整论点。用数据选而不是感觉：造50-100条真实问题，同一批文档用三种策略切，测检索命中率（正确答案进没进top3），语义切分赢不到5%就用递归。2026趋势：上下文工程在吸收分块，团队把块设计成带标题和元数据的自包含单元。