某企业知识库有三类文档：产品手册（PDF，多级标题+大量表格）、客服工单（短文本，带时间戳和状态字段）、合同（长条款，条款之间存在交叉引用）。当前切分策略是固定 512 token、overlap 64。上线后检索经常召回半截表格和断在条款中间的碎片，加了 Rerank 也没救回来。现在让你重新设计切分层：你会按什么优先级改、每类文档分别怎么切、切分变了之后已有的向量库怎么迁移、怎么证明这次改动是对的？

面试官在考什么

判断候选人能否把切分当成一个数据建模与索引生命周期问题来处理，而不是把它当成一个调参问题。

文档切分

回答框架 · 前两步

1. 先定位损失发生在哪一层：是切分破坏了语义单元（表格被切碎、条款被截断），还是召回粒度与生成所需上下文不匹配；用 badcase 反推，而不是直接换切分器
2. 按文档类型分型处理：手册按标题层级切并整表保留（必要时附 LLM 生成的表摘要）；工单以工单/会话为原子单元并带状态、时间元数据；合同按条款切并显式抽取条款间交叉引用关系

延伸阅读

• 从「背过」到「能选型」：原理的三层准备法

想看这个方向的整体准备路线？ 进入「NLP 与大模型」方向页

同一能力域的其他题

• RAG 的完整链路你会怎么搭？文档切分这一步，你会怎么定 chunk 大小和重叠？为什么？
• 大模型幻觉你会怎么治理？请区分"知识型幻觉"和"指令遵循型幻觉"分别怎么处理。
• 向量检索的召回效果不好，你会从哪些环节排查？说一个你实际调过的参数和它的影响。
• 你怎么评测一个 RAG 系统的好坏？请分别说检索侧和生成侧各看什么指标、怎么构造评测集。
• 一份 200 页的 PDF 技术手册要进 RAG 知识库，目录层级清晰，但有跨页表格和一段 3000 字的长章节。业务要求答案能定位到具体小节，同时回答里要保留足够上下文。你打算怎么设计切分策略？请给出 chunk 大小、overlap、切分依据，并说明长章节和表格分别怎么处理。
• 企业知识库要入库一批 200 页左右的产品技术手册（PDF，含大量跨页表格和 3 级标题），同时还有几万条几十字的客服工单。用户 query 大多是「XX 型号的额定功率是多少」这类精确查找，也有「怎么重置设备」这类流程性问题。请给出你的切分方案：chunk 大小和 overlap 怎么定？标题层级要不要拼进 chunk？跨页表格怎么办？工单和手册要不要用同一套策略？