1
0本期内容基于小红书轮播图脚本《Chunking策略》，从项目经理/产品经理视角，拆解RAG系统中chunking的核心知识点。适合AI入门、Agent开发、产品经理等角色快速理解关键概念。
涵盖要点：
Chunking是什么：用年假计算场景案例说明chunk切分不当导致的Agent回答错误（关键信息卡在chunk边界）
五大分块策略对比：固定大小、按句子、按段落、递归分块、结构感知（合同按条款、FAQ按问答对）
三个核心参数：Chunk Size（建议256-512 token通用）、Overlap（10-20%）、中文需扩大20-30%
改Chunk的高成本：全库重建，1000份文档需数十分钟及¥10-50 API费用，10万份需1-2天及数千元
Small-to-Big策略：小Chunk（256 token）用于精准检索，对应父文档（1024 token）喂给LLM，兼顾准确率和上下文完整性
常见误区与PM检查清单：不要用默认值、不要一刀切、需要做A/B实验
核心结论：Chunking是RAG的刀法，切对了检索准+生成好，切错了后面全歪。关键是针对文档类型做实验定参数，因为后期改的代价是全库重建。
