ByteByteGo 归纳 8 种 RAG 分块策略：从固定长度到 Agent 自选方法
- 清单内容：文章按由简到繁列出八种分块方式——固定 token 数加小重叠；递归切分（先按段落，超长再退到行、词、字符）；文档结构切分（标题、章节、HTML 标签，一节一块）；语义切分（逐句嵌入，与前一句相似度下降即开新块）；LLM 命题重写（要求模型把文本改写成一条一意的独立命题，质量高但全量语料成本高）；Agentic 分块（由 Agent 判读文档类型是代码、合同还是表格，再为该文件单独选方法）；Late Chunking（整篇先过嵌入模型，再套用常规切分边界并在边界内做均值池化）；分层切分（章节、段落、句子分层组织）。
- 值得注意的两类：Agentic 与 Late Chunking 代表两种不同的思路转向——前者把“分块方法”本身变成模型的一次判断，不再是全局统一规则；后者把嵌入从“对块做”改为“对全文做、再切”，试图保留块与全文的上下文关联。
- 文章性质：这是一份工程实践梳理而非新研究或新工具发布，未给出各策略在具体语料上的召回、延迟或成本对比数据，也未附开源实现，价值在于把散落在各团队实践中的方法归入同一张清单。
- 行业观察：分块是 RAG 链路中最靠上游、也最少被单独评估的一环——切错了，检索与重排再优化也只能在错误的候选集里排序。这份清单的实用意义在于它把“默认固定 512 token”之外的选项摆开，尤其是 Agentic 分块：当切分策略由模型按文档类型临时决定，分块从预处理脚本的一行配置，变成需要单独记录与回归的可变行为。 🔗 ByteByteGo EP229
