一、前言RAG 效果的上限，一大半在"建库"阶段就决定了：切分方式决定"能不能检索到"，embedding 模型决定"检索得准不准"。本篇讲透 chunking 策略与向量化选型，给 014 的实战打地基。二、核心概念通俗拆解2.1 为什么要切分（chunking）三个原因：embedding 模型有输入长度上限；块太大 → 一整篇文档压成一个向量，语义被稀释，什么问题问它都"半相关"；块太小 →上下文不完整，"满三年 10 天"里的主语和条件被切丢。块太大：10 块大块，每块都半相关 → 排序区分度差 块太小：50 块碎片，答案被切成两半 → 检索到了也答不全 理想：一块 = 一个完整语义单元（一条制度、一个段落）2.2 四种切分策略策略做法适用固定长度滑窗每 chunk_size 字切一刀，相邻块重叠 overlap简单通用，兜底方案按段落/条目