开始前，会这些就够了
- 知道检索会从文档中找相关片段
假设内部手册写着：“自动重试最多三次。仅适用于只读请求。”同事问接口失败后能重试几次，助手只取回前一句，回答“三次”。数字没有抄错，但如果这次是写入请求，关键条件已经在送给助手之前丢了。
知识库常先把长文档切成小块，英文叫 chunk，再分别建立检索索引。这样方便找具体内容，也便于控制送入模型的材料长度。切成块不是无损地装进小盒子：边界选在哪里，会影响后面能看到哪些信息。
字数整齐，不代表意思完整
固定长度切分很直接：每到指定字符数就切一刀。但一句规则的数字、适用对象、例外和时间范围，可能分散在相邻句子里。即使每句话都没切断，“仅限”“除外”“从下周起”这样的限定，也可能被放到另一个检索不到的块中。
按段落和标题切分更容易保留作者原来的组织方式，却也不是保证。一个超长段落仍可能超出预算，一张表里的列名可能在上一页，某个条件也可能写在本章开头。所以检查对象应是可回答的问题，而不只是切出来的块是否一样大。
同一个命中，补回它所在的段落
下面先按九个字符硬切，再用关键词“三次”找到一个小块；另一边展示这条规则所在的完整段落。程序只演示字符串边界，没有向量模型，也不会理解什么叫只读。本例已知规则在第一段，所以直接使用 paragraphs[0]，并没有实现自动寻找父段落。
示例保留文档编号、版本和字符位置，便于回到原文核对。把 chunk_size 改为 7 时，“三次”本身也被切开，程序会提示没有命中。真实系统可以先用小片段定位，再按保存的关联信息补回同版本标题或父段落；补回后仍要检查长度和权限。
paragraphs = [
'自动重试最多三次。仅适用于只读请求。',
'写入请求：未携带幂等键时，不允许自动重试。'
]
document = '\n\n'.join(paragraphs)
chunk_size = 9 # Try another positive length, such as 7.
chunks = [(start, document[start:start + chunk_size])
for start in range(0, len(document), chunk_size)]
match = next(((start, text) for start, text in chunks if '三次' in text), None)
if match is None:
print('没有小块包含完整关键词；回到原文检查切分。')
else:
start, hit = match
print(f'小块 [{start}:{start + len(hit)}]: {hit}')
# This small example already knows that the rule is in the first paragraph.
print('同版本父段落:', paragraphs[0])
print('来源: retry-guide / v3 / 第一段')怎样运行：保存为 chunk_conditions.py，用 Python 3.10 或更新版本运行：python chunk_conditions.py。仅用标准库，不联网。
运行后对照结果
小块 [0:9]: 自动重试最多三次。
同版本父段落: 自动重试最多三次。仅适用于只读请求。
来源: retry-guide / v3 / 第一段重叠能缓解断句，也会带来重复
重叠是让相邻块重复带上一小段文本，像两张照片留一点共同画面，帮助接上前后关系。但条件如果离数字很远，一点重叠还是带不到；重叠开得很大，又会多存、多检索一批近乎相同的内容，挤占可用上下文。
大小也没有通用答案。短一点可能容易命中具体主题，却容易缺背景；长一点可能保留解释，却夹进不相关部分。字符数、字节数和模型的 token 数是不同单位，不能把“九个字符”的本地演示直接换算成线上模型的输入预算。
用带条件的问题检查切分结果
为知识库准备几类问题：只问数字、问例外、问某个版本才生效的规则，再人工核对取回材料是否够用。如果材料没有覆盖写入请求，就应继续找那条规则，或说明当前证据不足；补回父段落也只恢复了本段，不代表整个问题已经得到答案。
阅读 Azure 的中文切分指南时，先看固定大小、按结构和重叠的取舍；再读 LangChain 关于中文标点的说明，动手把本例的九改成其他长度。目标是发现什么情况下会丢条件，而不是从某个教程抄一个块大小当作永久最佳配置。
记住这三点
- 检索块要尽量保住规则、适用条件和例外之间的联系。
- 小块定位后补回同版本上下文是一种做法，仍要检查预算、权限和证据是否充分。
- 重叠和块大小需要用真实问题评测，字符数也不等于模型 token 数。
别把例子用过头
- 按句子或段落切分也可能丢掉跨段落条件，不能承诺语义完整。
- 本例只是确定性的字符串演示，没有测量真实检索召回率或模型回答质量。
自己试一小步
一份包含“仅限”“除外”和版本日期的手册，怎样切分才便于核对？
- 写三条带适用条件的虚构软件规则。
- 分别按固定长度和段落切分，给每个块记录来源与版本。
- 为每条规则提出一个例外问题，检查检索片段缺了什么。
做到这些，就算完成
- 能否从片段回到同版本原文？
- 是否检查了标题、条件和例外，而不只检查句子是否完整？
- 证据不足时，是否留下继续检索或明确说明不足的路径？
查原始资料
想确认一个细节，先看这份资料对应的部分，不必从头读完所有文档。
- Azure AI Search：拆分大型文档用于 RAG 和向量搜索 （新标签页）↗
固定大小、按结构切分、重叠的取舍，以及字符数与 token 数的区别。
- LangChain：递归文本切分 （新标签页）↗
分隔符顺序、长度函数、目标重叠，以及中文等无空格词界语言的标点处理。
找一份资料继续练
先选一项，按下面的范围继续学；不必从头读完整门课程。
Microsoft Learn：文档切块怎样保住上下文 （新标签页）↗
只读分块技术与内容重叠，用一条带“仅限”的虚构规则检查条件有没有被切丢，暂不配置云服务。
查看学习准备与访问说明 →