分块

分块（Chunking）是把长文档切分成 LLM 和向量数据库能够处理的、更小的承载意义的单元（片段）的过程。在 RAG 流水线中，网页、PDF 或文档在被嵌入之前，分块是一个必经的预处理步骤，而每一个片段都会成为 AI 在回答中可引用的最小单位。

为什么重要

当 AI 搜索 生成答案时，它引用的是最相关的片段，而不是整个页面。同一篇博客文章的两个版本，会因分块方式不同而产生完全不同的 AI 引语。Anthropic 和 OpenAI 的工程博客报告称，经过良好调优的分块，能让 RAG 的检索准确率比基线提升 30% 至 50%。GEO 中"按片段来写"这一原则正是源于此。

主要分块策略

固定大小分块：按固定的 token 数（如 500 或 1,000）来切分。简单，但会在句子中间断开并丢失上下文。

递归式（句子/段落）分块：先切分段落，再切句子，再切词，从而保留自然的边界。这是多数 RAG 流水线的默认做法。

语义分块：利用 嵌入 相似度来侦测主题切换并在那里切分。质量最高，但计算开销大。

文档感知分块：以 Markdown 或 HTML 的 ### 标题为边界。对博客文章这类结构化内容最为有效。

重叠（Overlap）：在相邻片段之间重复 10% 至 20% 的内容，以免在接缝处丢失上下文。

对 GEO 写作的影响

每个小节必须能独立成立：片段通常对应于 ### 小节。如果某个小节要靠上一节才能讲得通，那么它被单独引用时就会断掉。

在每个小节内部包含主语和上下文：要写"inblog 负责……"而不是"这个工具负责……"，每一段都应自成一体。

长度适中：太短的小节信息量不足，不值得引用；太长的小节又会稀释其嵌入所代表的意义。200 至 500 字是最佳区间。

在主题切换处加标题：如果一个小节里混杂了多个主题，分块器就会在尴尬的地方切断。每当主题发生变化时，加一个清晰的 ### 标题。

FAQ 板块：问答对天然就构成自成一体的片段，因此把关键问题拆成一个 FAQ 小节，能大幅提高被引用的概率。

Sources:

• 面向 LLM 应用的分块策略 - Pinecone
• 上下文检索 - Anthropic
• 面向 RAG 的分块：最佳实践与关键方法 - Unstructured