RAG检索老召回不相关片段，是不是我分块方式有问题？

纯按长度切确实容易把语义切碎，尤其是技术手册里一个参数说明可能横跨好几段。你问超时配置却召回带 timeout 的代码块，大概率是 chunk 里代码和解释混一起了，embedding 抓到的只是关键词。可以试试按标题层级切，再用小模型对每个 chunk 做摘要或加标题前缀，召回会准不少。代码块和表格最好单独成块，别和正文硬拼。LangChain 的 MarkdownHeaderTextSplitter 能识别标题层级，但混排文档还是得自己写点规则兜底。

按标题层级切确实更靠谱，代码块单独拎出来别混进正文，不然timeout老被误召回。

可以试试按标题层级切，代码块和表格单独拎出来别硬切，llama_index的HierarchicalNodeParser能自动识别结构。

有没有更详细的教程推荐？

这个思路不错，收藏了。

刚入门，这个对我帮助很大。

学到了，感谢分享！

固定长度切块确实容易把代码和上下文割开，尤其技术手册里标题层级本身就是天然语义边界。可以试试按markdown标题递归切分，代码块和表格用fence保护起来整块保留，langchain的MarkdownHeaderTextSplitter或者unstructured都能识别层级。另外召回不准不一定全是分块的锅，bge-m3对短查询和长片段的匹配本来就有偏差，加个rerank模型过滤一下效果会明显不少。

学到了，感谢分享！

固定512切块确实容易把语义切碎，尤其技术手册里标题和正文分开后，embedding就丢了上下文。我一般先用标题层级做粗切，再把代码块和表格单独拎出来不参与语义切分，正文段落再用语义切块，效果会好不少。库的话可以看看langchain的MarkdownHeaderTextSplitter，或者unstructured能识别文档结构，配合bge-m3用还挺省事。