免费工具 · 在浏览器中运行
RAG 文本分块工具
为检索增强生成（RAG）切分文档，自选分块大小和重叠，并预览每一块。
快速解答
在 RAG 中，文档会被切分为文本块，再生成 Embedding 并存入向量检索。常见的起点是 200 到 800 个 Token 的块，加上 10% 到 20% 的重叠。本工具按段落和句子切分，避免把一个意思截成两半，并把每块的结尾重复放在下一块开头作为重叠。
使用方法
- 粘贴文档. 纯文本或 Markdown。
- 设置分块大小和重叠. 以估计 Token 计（每个约 4 个字符）。
- 检查并复制. 预览每一块及其大小，然后全部复制为 JSON。
常见问题
RAG 最佳分块大小是多少？
没有唯一答案。200 到 800 个 Token 是常见起点；小块匹配更精确，大块保留更多上下文。请用你自己的问题测试。
为什么分块之间要重叠？
让位于某块边缘的句子或观点也出现在下一块中，即使只检索到其中一块也不会丢失。
分块应该按段落吗？
尽量是。按段落和句子边界切分，能让每块都可读、有意义。
一定需要 RAG 吗？
不一定。如果文档能放进模型的上下文窗口，直接发送并配合提示词缓存会更简单，往往也更准确。
我的文档会被上传吗？
不会。分块在你的浏览器中完成。
什么是 RAG？
检索增强生成：针对每个问题，从你的文档中找出最相关的段落交给模型，让回答基于你的数据。
什么是 Embedding？
表示文本含义的一串数字。含义相近的文本得到相近的数字，向量检索就是靠它找到相关的文本块。
应该给每个文本块加标题或元数据吗？
应该。为每块加上文档标题、章节标题或来源，既能提高检索效果，也能让回答注明出处。
每个问题应该检索多少个文本块？
通常 3 到 10 个：足以覆盖答案，又不会让提示词塞满无关内容。请用真实问题测试。
分块大小会影响成本吗？
会。块越大、检索的块越多，每次提问的输入 Token 就越多。