你有一批产品手册，每篇约20页，包含标题、段落、表格和代码块。现在要构建RAG索引，如果直接按每512个token切分，会切断表格和代码块。请你设计一个切分策略，说明切分单元、边界处理、重叠策略，并解释为什么这样设计。

面试官在考什么

判断是否理解文档切分要按语义/结构而不是固定长度，以及能否处理表格、代码等特殊内容。

文档切分

回答框架 · 前两步

1. 按文档结构切分：标题、段落、表格、代码块分别处理，保留层级和元数据。
2. 表格和代码块应作为整体保留，不切断；代码可按函数或类边界切。

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？