RAG-CUT/docx/tencent-cloud-document-splitting-settings.md

腾讯云智能体开发平台：文档切分设置

来源页面：腾讯云文档 - 文档切分设置
页面最近更新时间：2025-12-31 16:49:32
整理说明：本文为根据页面内容整理的 Markdown 版，保留核心概念、功能入口、规则对比和关键参数说明，并非网页原文逐字复制。

1. 功能概述

文档切分是指系统按照一定规则，将上传到知识库的文档拆分为多个独立切片。切片会被索引并存储，是 RAG（Retrieval-Augmented Generation，检索增强生成）流程中的关键环节。

在问答场景中，系统通常会先根据用户问题检索相关切片，再把命中的切片作为外部知识放入大模型上下文，从而辅助模型生成答案。

切分粒度会直接影响检索质量和回答效果：

• 切片过大：容易包含无关内容，降低检索精度，也会增加上下文和计算资源消耗。
• 切片过小：上下文不完整，知识片段更碎片化，可能导致回答不够全面。
• 合理切分：需要在检索效率、上下文完整性和生成质量之间取得平衡。

2. 切分规则类型

平台支持两类文档切分方式：

• 默认切分规则：由平台使用模型能力自动切分，用户不能直接干预具体规则。
• 自定义切分规则：用户可根据业务需求设置切分方式，主要包括通用标识符切分、父子标识符切分和按行切分。

3. 切分规则对比

切分方式	适用文档类型	典型使用场景	核心逻辑
默认切分	平台支持导入的全部文档类型	对切分无特殊要求的知识库文档	基于切分模型处理，关注语义完整性、复杂元素解析和表格处理
通用标识符切分	非表格类文档，不包括 xlsx、xls、csv	需要按页码、自定义符号或业务段落进行切分	用户设置标识符、最大长度和重叠长度，切片同时用于检索和召回
父子标识符切分	非表格类文档，不包括 xlsx、xls、csv	检索粒度和召回粒度需要分离的场景	子级切片用于检索，命中后召回对应父级切片给大模型
按行切分	表格类文档，包括 xlsx、xls、csv	表格每行或每几行相对独立，如商品 SKU 文档	用户设置表头范围、起始行和每个切片包含的行数

4. 默认切分能力

默认切分由平台模型完成，适合大多数不需要精细控制切片边界的文档。

平台默认切分能力包括：

• 支持按语义完整性切分。
• 支持跨页表格合并。
• 支持解析表格中的图片信息。
• 支持解析有线表格和无线表格。
• 支持解析数据图、流程图、架构图、思维导图。
• 支持处理多栏、公式、子图等复杂版式元素。

5. 功能入口

入口一：上传文档时设置

在知识库中上传文档时，流程通常包括：

1. 上传文档。
2. 设置文档切片。
3. 按文档类型对同一批上传文档生效。

图示来源：

入口二：已导入文档重新设置

对已经导入知识库的文档，可以重新设置切分规则：

1. 进入知识库。
2. 找到指定文档。
3. 点击文档右侧的“更多”。
4. 选择“解析切分干预”。
5. 查看解析切分结果。
6. 点击“文档切分设置”重新配置切分规则。

图示来源：

注意：重新设置文档切分规则后，系统会按照原文档重新切分，并覆盖之前干预过的切分结果。

6. 表格文档切分

表格类文档包括 xlsx、xls、csv。平台对表格文档支持默认切分和按行切分。

6.1 默认切分

默认切分会使用平台切分模型，根据表格行数、语义完整性等因素自动处理。

6.2 按行切分

按行切分适合每行或每几行数据相对独立的表格，例如商品 SKU 表、配置清单、结构化数据表等。

关键参数如下：

参数	说明
表头范围	选择表格中的表头行，每个切片都会包含表头数据；区间最大支持 5 行
切分起始行	指定从哪一行开始切分；起始行不能与表头范围重复
切分行数	指定每个切片从起始行开始包含多少行数据

示例：如果表头为第 1 行，切分起始行为第 2 行，切分行数为 1，则第一个切片为“表头 + 第 2 行”，第二个切片为“表头 + 第 3 行”，依此类推。

图示来源：

7. 非表格文档切分

非表格类文档指知识库中除 xlsx、xls、csv 之外的文档类型。平台支持默认切分、通用标识符切分和父子级标识符切分。

7.1 默认切分

默认切分会使用平台切分模型，根据语义完整性进行自动切分。

7.2 通用标识符切分

通用标识符切分适合需要按特定符号或业务结构拆分文档的场景，例如按照 ###、***、章节分隔符或自定义标记切分。

关键参数如下：

参数	说明
标识符	系统按照用户设置的标识符切分文档；切分标识符不会出现在最终切片中
切分最大长度	每个切片允许的最大字符数；如果按标识符切出的片段超过最大长度，会继续按长度拆分；最大不超过 4800 字符
切分重叠长度	当片段超过最大长度需要继续拆分时，保留相邻切片之间的重叠字符，用于维持语义连续性

设置建议：

• 切分重叠长度可设置为切分最大长度的约 10%。
• 切分重叠长度最高可设置为切分最大长度的 25%。

图示来源：

7.3 父子级标识符切分

父子级标识符切分适合需要“细粒度检索、粗粒度召回”的知识库场景。系统会先把文档拆成父级切片，再把父级切片拆成一个或多个子级切片。

工作方式：

1. 用户问题先检索子级切片。
2. 命中子级切片后，系统找到对应父级切片。
3. 父级切片被召回给大模型用于答案生成。

这种方式的优点是：

• 子级切片更短，有利于提升检索精度。
• 父级切片保留更多上下文，有利于提高生成答案的完整性。

约束条件：

• 子级切片最大长度不能超过父级切片最大长度。
• 子级切片最大可设置为 1500 字符。
• 子级切片与父级切片是一对一或多对一关系。

图示来源：

8. 切分内表格格式

平台支持设置文档中表格内容的切片格式：

格式	特点
Markdown 格式	默认格式，通常效果更好，便于模型理解表格结构
HTML 格式	token 消耗相对更少

该设置对普通文档中的表格内容，以及表格文档中的内容均可生效。

9. 使用建议

场景	推荐切分方式
普通知识库文档，无特殊切分要求	默认切分
文档结构清晰，有固定章节、页码或分隔符	通用标识符切分
希望检索更精准，同时召回更完整上下文	父子级标识符切分
表格每行是独立数据，如商品、配置、SKU	按行切分
文档表格较多，且希望模型更好理解结构	Markdown 表格格式
token 成本敏感，表格结构不复杂	HTML 表格格式

10. 相关页面

• 上一篇：文档概述
• 下一篇：解析切分干预
• 原始页面：文档切分设置