第 07 课：文档切分，一篇文章应该怎样拆

资料 C 只有一句话：“未被其他读者预约的图书，可以在到期前续借一次，延长七天。”现在把它切成三小段：未被预约的图书；可以续借一次；延长七天。你只拿到最后一段，还能回答续借规则吗？

七天这个数字还在，谁能续借、什么时候申请、能续几次却都丢了。文档切分最值得关心的，就是这种损失。

小片段也要能独立看懂

Chunk 是从文档划分出的片段，Chunking 是切分过程。检索会挑片段给模型，所以每段要尽量说明它在讲什么，并保留回答需要的条件。标题、小节和自然段，都是可以利用的线索。

对 C，保留整条续借规则，再带上标题和版本，会比拆成三个碎片更合适。问次数、问天数、问被预约的书能不能续借，都能在同一段找到依据。这里的完整句子刚好对应一条完整规则。

但整篇手册也可能太大。开放时间、讨论室介绍与续借规则挤在一起，虽然包含答案，却让读者和模型都要再筛一遍。片段要多大，得看问题需要什么，不能只盯着一个固定字数。

按自然段切，容易保留作者的安排；按主题切，可以把同一条规则的相关句子放在一起。两种都值得试。碰到一段同时写开放时间与续借，可以按主题拆；碰到后一句只写“上述情况除外”，就要把它与前面的规则连起来看。

相邻片段留一点重叠，有时能补上边界信息，也会带来重复。不要为了保险把整篇复制进每一段。拿实际问题检查有没有丢条件，才知道重叠值不值得。

还有一件容易忘的事：切完以后要能回到原文。片段编号、文件标题、章节和日期都留着。以后发现某个答案不对，才知道要改哪一段、核对哪份文件。

选一篇含三个主题的短文，分别按段落和主题切开。问“续借能延长多久”和“被别人预约的书能续借吗”，逐个检查片段是否够用。再给片段编号，整理出至少八段；也可以直接用资料包 A 至 H，解释它们为什么这样分。

看看有没有丢掉这些内容

C 要保留未被预约、到期前、一次、七天。需要组合多个片段不一定意味着切错了，但你应该知道哪些段必须一起找回来。八段只是练习数量，并不是检索效果的保证。