切片参数手册：FAQ / 长文档 / 表格 / 合同，各怎么切

先定三个问题，再调参数

切片参数不是玄学，它只服务三个目标。先回答这三问，参数范围就定了。

• 切给谁看：模型最终要拿这块内容回答什么问题？答案需要多少上下文才成立？
• 召回什么：用户会怎么问？问的是某个条款、整段流程，还是一张表里的某个数？
• 怎么验证：用什么问题集判断「改好了」？没有验收集，调参就是凭感觉。

四个通用参数

每块都该带的元数据

元数据不是锦上添花，它决定了答案能不能被信任、能不能过滤。最小集合如下：

{
  "source": "差旅报销制度.docx",
  "section_path": "第三章 住宿标准 / 3.2 一线城市",
  "page": 12,
  "effective_date": "2026-07-01",
  "status": "active",
  "version": "v3"
}

• status 用来过滤：只让 active 进检索，archived 降权或移出。
• section_path 用来溯源：回答时能点回「哪份文件的第几章」。
• effective_date 用来判断时效：涉及价格、政策的问答尤其重要。

类型一：FAQ（最好切的一类）

原则：一问一答一块。问题进块、答案进块，答案必须自包含——不依赖上一块的上下文。

• 起步参数：每块 100–300 字，不重叠；按问答对切，不按字符切。
• 必带元数据：所属产品/模块、适用版本、更新时间。
• 调法：同一问题的多种问法合并成一条，别让五个相似问法各占一块。
• 验收问题：随便抽 10 条，遮住问题只看答案，能不能知道这在回答什么？

类型二：长文档（制度 / 手册 / 规范）

原则：按章节/条款切，每块带标题路径。长文档的问题从来不是「切多细」，而是「丢了层级」。一块只有正文、没有章节名，模型就不知道它的适用范围。

• 起步参数：每块 300–800 字，重叠 10%–15%；在标题处强制断开。
• 必带元数据：章节号 + 章节标题 + 文件名 + 生效日期。
• 调法：章节太长（超过 1000 字）再按小节拆；拆完每块都要能独立读懂。
• 验收问题：问一个「只在某一章出现」的细节，看能不能召回对应章节。

类型三：表格 / 报价单（最容易翻车的一类）

整张表塞进一个块，是最常见的死法：一张 50 行的报价表变成 2000 字，模型要在里面找一行，准确率必然低。

正确做法：按行结构化。每行一条记录，表头进每块。

【产品A｜一线城市｜标准档】
住宿上限：500 元/晚
交通：实报实销
适用：2026-07-01 起生效

• 起步参数：一行或一组同义行一块，块大小随行内容；不重叠。
• 必带元数据：表名、列定义、表所在章节、生效日期。
• 调法：跨行的问题（求和/对比）交给结构化查询或技能算，不指望检索。
• 验收问题：问「某产品某城市的上限是多少」，看能不能稳定命中那一行。

类型四：合同 / 扫描件（先 OCR，再谈切片）

扫描件没做过 OCR，切片再好也检索不到——图片型 PDF 对检索系统来说是一片空白。所以顺序是：先转可搜索文本，再按条款切。

• OCR 要求：版面还原（别把两栏拼成一行）、表格结构识别、保留页码。
• 起步参数：按条款切（第 X 条一块），每条 200–600 字；不重叠或少量重叠。
• 必带元数据：合同编号、甲方乙方、条款号、页码、签署日期。
• 验收问题：问「违约金比例是多少」，必须能定位到具体条款并给出页码。

四类文档参数总表（起步值）

检索层怎么配合切片

• 混合检索：向量召回 + 关键词召回各取一部分，专有名词和型号靠关键词更稳。
• 重排（rerank）：多召回 5–10 块，再重排取前 3–5 块，比直接 top1 稳。
• 父子块：用小块检索、返回它所在的父块（相邻上下文），兼顾精确和完整。
• 邻块扩展：命中某块时把前后各扩一块，防止句子被切断。

怎么验证改对了

1. 固定 20 个真实问题 + 5 个负样本（应该答不出来的），每次改完都跑同一套。
2. 记录三个数：召回命中率（该找到的找到没有）、引用准确率（引用片段真能支撑答案吗）、负样本拒答率。
3. 对比改前改后，不看「感觉好多了」；只改一个变量，否则不知道是哪一步起效。

调参顺序（顺序反了白忙）

1. 先修数据：过期、重复、扫描件没 OCR 的，先处理掉。
2. 再改切片：边界、块大小、元数据。
3. 再调检索：混合检索、重排、邻块扩展。
4. 最后才动模型和提示词：模型只能放大前面的效果，不能拯救。

五个常见误区

1. 按固定字符数硬切：句子被切两半，检索到也没用。
2. 整表塞一块：模型在大海捞针，准确率必然低。
3. 不带元数据：答案没有出处，企业场景不能用。
4. 只测能答对的题：不测负样本，就不知道它会不会硬编。
5. 先换工具再调参：工具换了，数据问题还在，等于重来一遍。