文本分块是把长文档切成一小段一小段再存进知识库的做法：一本书、一份合同或一整套帮助文档不会整篇塞给模型，而是先切成几百到上千字的小块，每块单独做向量化，用户提问时只捞出最相关的几块交给模型作答。它是 RAG 链路里最不起眼、却最能决定答得准不准的一步。
为什么不能整篇塞进去
整篇文档直接进上下文有三个问题：窗口装不下、装得下也贵，而且模型在一大堆无关内容里找答案更容易被带偏。切成小块后，检索环节可以只挑相关段落，成本和噪声都降下来。代价是文档被人为拆散，前后文关系要靠切法保住。
切法常见的三种
按固定字数硬切最简单，但容易把一句话、一个表格拦腰截断；按段落和标题切更贴合原文结构，说明书、制度类文档适合这种；还有一类按语义切，话题变了才下刀，效果好但实现更复杂。多数工具还会在相邻块之间留一段重叠（overlap），让被切断的上下文在下一块开头再出现一次，避免答案正好卡在切口上。
太碎和太大，分别坏在哪
切得太碎时，单个块里信息不完整：问“报销上限是多少”，捞回来的块只有“超过部分需副总审批”，关键数字在上一块里，模型只能含糊作答甚至编一个数。切得太大时，一块里混了好几个话题，向量被平均得谁也不像，检索排名上不去；就算捞回来，模型也要在长段落里自己找重点，出错概率跟着涨。
三个常见误解
第一，分块不是越小越精准，它换来的是定位细，丢掉的是语境。第二，重叠不是越多越好，重叠太高等于同一内容存了好几份，检索时前几名全是近亲，挤占其他相关块的位置。第三，答不准不全是模型的错：知识库问答效果差，先回头看切法和块大小，往往比换模型更管用。
实际调的时候没有通用最优值：条款、问答类文档可以切小些，叙述性长文要切大些并保留标题层级。判断标准只有一个——拿真实问题去测，捞回来的块能不能独立支撑正确答案。
