1 传统分块的题目
在RAG模型的构建里，文天职块是打头阵且超关键的环节。
(1)就拿常见的递归字符分割来说，它操纵简单，按照固定的token长度一刀切。但这也带来了大麻烦，一个完备的主题常常被拆得七零八落，分到差别文本块中，上下文连贯不起来，就像拼图被打乱了次序，根本没法看。
(2)还有语义分割法，听起来好像聪明点，它根据句子间语义变革来分割。但遇到文档话题频繁切换时，还是会 “翻车”，把相关内容分到差别块，信息又断了。
举个例子：“小明先容了Transformer 架构… （中心插入 5 段其他内容）… 最后他强调，Transformer的焦点是自留意力机制。” 用传统方法处置惩罚，要么把这两句话拆到差别区块，要么被中心内容干扰，导致语义断裂。
(3)但要是人工分块，我们肯定会把它们归到 “模型原理” 这一组。这种跨越文本距离的关联性题目，正是Agentic Chunking(自主分块)要解决的。
2 Agentic Chunking的工作原理
Agentic Chunking的焦点头脑是让大语言模型（LLM）自动评估每一句话，并将其
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。 |
