RAG 與知識庫
Chunking 文本切片是什麼？切片邊界決定檢索品質
Chunking（文本切片）是把長篇文本切分成多個較小的片段，並為每個片段建立索引，讓系統在檢索時能更精準地找到相關內容，提升 RAG 系統的準確性與效率。切太大會讓相關度被稀釋、檢索不精準，切太小又容易切斷語意，讓上下文變得不完整。實務上常搭配重疊區段一起切，避免切在句子中間，兼顧檢索精準度與語意完整。切片切得好不好，直接決定一套知識庫查得準不準。
Chunking 文本切片是什麼？切片邊界決定檢索品質
一份一萬字的文件直接丟進知識庫，檢索出來的往往是一大段不相干的內容。
Chunking 就是先把長文切成一小段一小段，檢索才能精準命中你要的那一段。
你將學到什麼
定義
把長篇文本切成較小片段並建立索引，提升檢索精準度。
白話比喻
像把一本厚字典拆成一頁頁索引卡，翻卡片比翻整本書快得多。
跟誰容易搞混
常跟 Overlap 切片重疊度搞混。Overlap 是切片之間保留的重複區塊，避免語意斷裂。
定義
Chunking 是將長篇文本切分成多個較小的片段，並為每個片段建立索引，讓 RAG 系統檢索時能更精準地找到相關內容。
常見切片策略有四種：固定長度切片，簡單快速好控制；滑動視窗切片，固定長度加重疊區域，保留脈絡不易切斷語意；段落切片，依段落或標題換行切分，語意完整結構清晰；語意切片，依語意邊界切分，最符合語意邏輯但需要額外模型支援。
白話比喻
Chunking 像是把一本厚厚的字典拆成一張張索引卡片，每張卡片只寫一個主題。要查資料時翻卡片，比翻整本書快得多，也更容易找到剛好對應的那一段。
為什麼要做 Chunking
| 好處 | 說明 |
|---|---|
| 提升檢索精準度 | 小塊更容易對應到使用者的問題，減少雜訊 |
| 提高召回率 | 更多切片代表更多命中機會，不錯過重要資訊 |
| 保留語意脈絡 | 適當重疊可避免切到一半，導致語意不完整 |
| 降低成本 | 檢索與生成時只處理相關小段，省下不必要的花費 |
實際用例
以 RAG 應用為例，實際流程是：匯入文件，做 Chunking 設定切片長度與重疊，向量化每個切片，建立索引存入向量資料庫，之後才是使用者提問、檢索相關切片、組合上下文、生成回答。切得好，答得才準。
常見誤解
最常見的誤解是以為切片設定一次就好，不用再調整。實務上切片長度與重疊比例需要依實際檢索效果持續測試與微調，這也是 RAG 檢索增強生成 成效好壞的關鍵基礎。
本文源起本文內容出自酒Ann 的「AI 實戰陪跑班」課程教材，由酒Ann 編寫成彙編條目。想系統性搞懂 AI 名詞，歡迎追蹤 酒Ann 的 Facebook。
延伸學習
常見問答
切片要切多長比較好？
沒有絕對答案，實務建議每段落在 200 到 500 字之間，依模型與文件類型調整。切太長會讓相關度被稀釋、檢索不精準；切太短又容易失去上下文，這個平衡需要依實際檢索效果調整。
為什麼切片之間要保留重疊區段？
因為固定長度切片容易把一句話從中間切斷，導致語意不完整。保留 10% 到 20% 的重疊區段，可以避免切到一半、語意斷裂的問題，同時還能保留前後脈絡。
Chunking 跟 Embedding 向量化是同一步嗎？
不是，是接續的兩步。Chunking 先把文件切成小段落，<a href="/blog/glossary-embedding">Embedding 向量化</a> 才是把每個切片轉成向量表示，再存進向量資料庫供檢索使用，切片是向量化之前的準備工作。