1. 切分的作用

Agent 能读取当前对话，却不会自动知道公司制度、产品手册或用户上传的资料。要让这些外部知识参与回答，通常需要先完成一条知识准备流程：

1
读取原始资料
2
  -> 整理为 Document
3
  -> 切分为 Chunk
4
  -> 生成 Embedding
5
  -> 写入向量数据库
6
  -> 根据问题检索相关 Chunk
7
  -> 交给 Agent 回答

这类根据外部资料检索并生成答案的流程通常称为 RAG。本文只关注其中的文档整理和切分。

Chunk 是长文档切分后得到的文本片段。文档切分通常属于知识入库阶段，同一批资料不需要在 Agent 的每一轮问答中重新处理。只有文档新增、内容更新或切分策略变化时，才需要重新生成 Chunk 和索引。

切分需要在完整性和检索精度之间找到平衡：

• Chunk 太大时，多个主题可能混在一起，检索结果会包含较多无关内容
• Chunk 太小时，一条完整规则可能被拆散，模型只能看到结论的一部分
• Chunk 重叠太多时，相似片段会占用检索名额和模型上下文

切分的目标是让每个 Chunk 尽量包含一段可以独立理解的内容，而非机械地生成完全相同的长度。