Chunk（内容切块） Chunking

Chunk（内容切块）指检索增强生成系统在检索前把页面切成小段的过程：页面不是整页进入检索库，而是被切成若干 chunk，每一段独立参与向量检索、独立计算与提问的相似度。这个工程细节对内容团队的含义是决定性的——段落必须自含可懂，不能依赖上下文才能理解，因为你无法预知哪一段会被单独抽到模型面前。

切块发生在检索链路的哪一步

先把位置摆对。RAG 的工作流是检索、增强、生成、引用四步（详见 RAG 卡），切块发生在最上游：入库阶段，页面被抓取后被切成语义块、向量化、存进向量库；提问阶段，系统把问题向量化后与全部块计算相似度，取出最相关的少数几块塞进上下文。也就是说，模型生成回答时看到的不是“你的页面”，而是“你的页面里被选中的几段”。

这个机制直接推翻了内容创作里的一个默认习惯：用上下文铺陈。传统长文里，“如前所述”“结合上一节”这类承接句很自然；但在切块检索的世界里，被抽出的段落可能恰好带着这些指代，模型读到的就是一个悬空引用。判断标准很朴素：把任意一个小节单独复制出来给一个没读过全文的人看，他能不能不回头就明白这段在说什么。能，这个 chunk 就合格；不能，它即使被检索到也会在生成阶段被弃用。

两种视角下的写作差异，可以摆成一张对照表：

自含可懂：对写作意味着什么

chunk 级自含落到写作上有三条纪律。第一，每个 H2 小节开头先给两三句自含式即答段再展开——结论先行、术语自解释、数字带口径，这是即答段的核心写法，也是本站每张卡片都在执行的纪律。第二，指代要落地：把“该方法”“上述指标”换成具体名称，宁可重复名词也不要用代词回指。第三，密度要均匀：一小节只讲一件事，别把三个概念挤在一个小节里——切块边界不会迁就你的谋篇布局，主题混杂的块在向量空间里哪个方向都不像。

实证侧有配套数据：约 44.2% 的 ChatGPT 引用来自页面前 30% 的内容，且被引文本含问句的概率约高一倍（详见前 30% 引用数据卡，服务商单源口径）。两个数字合起来指向同一件事：前置的、自含的、以问句组织的内容最常被整块取用。位置与形态，比篇幅更影响被引用的机会。

再补一个团队协作层面的落地经验。切块改造最容易卡在“作者不知道检索器要什么”：编辑按读者习惯写作，SEO 团队按检索逻辑要求改，两边互不理解。可操作的解法是给编辑一张块级自检清单——每节开头是否两三句给了结论、是否消除了代词回指、本节是否只讲一件事、事实是否独立成块——让检查变成可勾选的机械动作，而不是审美争论。清单越短越有效，四到五条为宜，一旦膨胀成二十条表单，执行就名存实亡。

标题、问句与语义对齐

问句式小标题是切块时代被低估的技巧。用户向 AI 提问用的是自然问句，而向量相似度本质上在比较两段文本的语义距离——小节标题若是用户会问的原话（“chunk 级自含是什么意思”），该块与真实提问的相似度天然占优。这不等于每节机械套问句：核心小节用问句，叙事性段落用陈述句，混用才自然。标题关键词堆砌反而伤害可读性与采信。

另一个常被忽视的对象是切块边界本身。多数系统的切块按标题层级或固定长度切，H2 与 H3 的结构清晰，块边界就干净；一整屏不分节的“墙式长文”切出来的块要么拦腰截断论点，要么混杂多个主题。结构化的小标题既是给读者的导航，也是给切块器的分界线——这是内容结构在工程层的第二重价值，也是编辑最容易低估的一处。

哪些内容形态最容易被整块摘走

定义、参数表、对比表这类“高密度事实块”最容易被摘录引用，原因在机制上很清楚：它们单位文本承载的事实密度最高，且天然自含——一个参数表不需要上下文就能读懂。实操上可以给团队一份形态清单，按优先级改造：产品参数表与规格对照、术语定义段、A 与 B 的对比表、步骤化操作清单、带口径的数据陈述句。这些形态即使从页面里单独抽出，也能直接充当答案素材。

反面是被切碎的叙事：背景铺垫、心路历程、跨段修辞。它们对人类读者有价值，但对检索器是低密度信号。改造的思路不是删掉叙事，而是分层组织——事实块前置与独立成节，叙事作为展开放在即答段之后。同一页同时服务两类读者，靠的是结构而非取舍。给个直观的比例感：一篇改造到位的页面，理想状态是任意抽出一个小节都能直接回答一个具体问题；拿这个标准抽检自家核心页，往往五分钟就能看出哪些小节是“块”，哪些还只是“文章的局部”。

从长文到块集合：一份改造顺序

把“给读者看的长文”改造成“给检索器看的块集合”，是 GEO 内容改造的基本功。我们建议的顺序是：先加即答段（每个 H2 开头两三句结论），再拆小节（一小节一事、标题含关键词或问句），然后固化事实块（定义、表格、参数单独成节），最后清理指代（代词换名词）。四步都不需要重写内容，只是重新组织——这也是它性价比高的原因。

两个边界提醒。其一，切块改造不等于信息增益：改造让既有信息更可检索，但检索系统奖励的是语料里没有的新信息（见信息增益卡），同质内容的“结构优化”救不了原创性缺口。其二，块被检索到只是入场：进了上下文之后，位置仍影响吸收概率——Lost in the Middle的位置偏差与 PAWC的位置加权口径都说明，被引用与否还取决于块在答案与上下文里的排位。切块是必要条件，不是充分条件；认清这一点，投入的期望才不会错位。

改造过程中有三个常见误用要避开。一是把“可切块”理解成“写短”：块的自含性来自结构而非篇幅，把信息压没了的短文在向量库里同样没有存在感。二是对存量 SEO 老文机械重排标题就算完成改造：标题动了、指代没清、事实块没独立，检索进来仍然是悬空块。三是忽略引擎间的切块差异：不同检索系统的切块粒度与策略并不相同，过度针对某一家的想象粒度做微调意义有限，自含、高密度、结构清晰这些基本面才是跨引擎通用的。遇到取舍时，永远先保基本面。