内容切块
内容切块：RAG 设置与清楚的网页写作
区分可配置的内部 RAG 与公开 AI 搜索。用自己的文档和问题测试切块，让读者理解段落、核对来源。token 范围、重叠和页面位置不是通用引用规则或保证。
v1.0 · 2026 年 6 月 · Tenten GEO Research
CH.01
内部 RAG 与公开 AI 搜索
RAG 应用可先检索段落或文档再生成答案。这个例子不代表每个公开搜索引擎都这样处理网页。
常见内部 RAG 会切文档、建索引、取回相关资料并交给生成模型。团队能检查和修改管线；检索也可结合文字、向量、重排或额外上下文。不把一种设计当成 ChatGPT、Google 或所有公开服务的内部实现。
片段缺主语、单位或限制时，答案可能缺情境。先在可控制的管线检查实际返回内容，再判断错误是否来自切块。边界本身不证明相似度下降、竞品被选中或引用消失。
清楚段落可与有用页面和技术 SEO 一起改善。Google AI 功能指南保留 SEO 基础，支持链接需索引和摘要资格，不要求通用 chunk 尺寸。本指南未证明外链、排名或页面上下文无关。
本章重点
自己的 RAG 检查检索和答案；公开网站让答案清楚、证据可追溯、页面可访问。标题不决定公开引擎的边界。
CH.02
在自己的管线测试尺寸与重叠
按文档、tokenizer、模型限制和问题选设置。下表是实验候选，不是验证过的 2026 最佳值或公开搜索引用条件。
小块可能缺上下文，大块可能含无关资料，没有某一尺寸必然失败的规则。Tenten 建议在适合任务中比较 256–512 token 等候选及其他有理由的尺寸。按实际 tokenizer 计 token，不混同词、字符和 token。
| 切块尺寸 | 候选或观测配置 | 检查事项 | 证据范围 |
|---|---|---|---|
| 128 token 以下 | 短而独立的答案候选 | 检查主语、单位和限制是否保留 | Tenten 实验候选，不是引擎门槛 |
| 256–512 token | 内部比较的可选范围 | 比较证据覆盖、答案质量和成本 | Tenten 实验候选，不是通用最优 |
| 512 token 递归切块 | 发布者报告的一项学术文档测试 | 单一 50 篇论文／30 组合成问答管线报告 69% 答案准确率，不是引用率 | Vecta R&D 贴文，2026-02-14；本轮未独立复现 |
| 1024 token 以上 | 需要更广上下文的问题候选 | 检查相关情境、模型限制和无关材料 | Tenten 实验候选，不是必然失败边界 |
候选设置与有限范围的发布者观测。记录配置再比较，不照抄通用默认。
Vecta 使用 text-embedding-3-small、ChromaDB 和 gemini-2.5-flash-lite，返回上下文约 2,000 token。小型合成问题集不是公开搜索流量或 Tenten 客户成果。自己的测试可把 10–20% 重叠列为候选，与不重叠比较情境丢失、重复和成本；重叠不保证完整事实都装进一块。
本章重点
先记录文档集、问题、tokenizer、检索器、生成器及上下文预算。观察到任务改善才改设置，不因文章称其通用。
CH.03
语义切块技巧
可读文章结构与语义切块算法是不同选择。更整齐或换分割器都不保证引用或固定准确率提升。
固定、递归和语义分割器边界规则不同。语义算法可比较句子表示，标题段落是编辑结构。Qu、Tu、Bao 的 NAACL 2025 研究未在检索和生成任务得到一致收益。用自己的管线测试，不假设语义切块提高所有任务。
技巧一
一段一个论点，开头就给答案
回答型章节先给答案，让证据靠近。解释长度按读者需要，不把一段一论点写成所有引擎偏好。
技巧二
在语义转折处切，不在字数到了就切
用清楚标题、列表和表格组织内容。内部管线检查 parser 是否尊重结构；一个 H2 不必然是一块，长章节可需其他分法。
技巧三
让每段自足，补回被省略的主语
段落单独阅读时说清主语、术语、单位和限制。歧义处换名词，不机械重复。情境帮助读者核对，不强迫引擎引用。
本章重点
写作以理解为目标；算法按检索、答案质量和成本测量选择，不把编辑习惯换成保证百分比。
CH.04
让读者容易找到答案
已引用段落的位置不证明移动相同文字会增加引用。
CXL 官方账号的公开贴文描述所观察 Google AI Overview 引用的位置。这是已引用材料的分布，不是任意段落的引用概率；未建立通用位置实验或所有引擎权重。
回答型章节开头放主要答案，定义、单位、日期和限制与证据放一起。自己的 RAG 检查实际返回内容；公开网页不假设一个完整段落能修复未知引擎边界。
本章重点
提前回答是编辑建议，不是固定位置及格规则。引用另行观察，位置不证明因果或固定机会份额。
CH.05
实体清晰度
单独阅读的段落应能辨认主语和限制。缺情境是提高清晰度的理由，不证明所有检索器没有上下文或必须拒绝它。
读者知道“它”“这个方法”“我们”指谁吗？限制和来源应随主张保留。下表是虚构写作练习，不是 Tenten 绩效、服务能力或客户证据。
| 原写法（模糊） | 改写后（实体清晰） | 为什么有效 |
|---|---|---|
| 它可以导入 Markdown。 | 虚构的示例产品 A 可以导入 Markdown。 | 具名主语；示例能力不是 Tenten 服务宣称 |
| 这个方法把文字分组。 | 语义切块按语义关系把文字分组。 | 具名方法，不捏造页数门槛或性能收益 |
| 我们记录多个平台结果。 | 虚构的示例团队 A 记录 ChatGPT、Perplexity、Gemini 与 Google AI Overviews 的观测。 | 具名示例对象和平台，不是验证过的生产流程 |
虚构的清晰度练习，不证明产品能力或 Tenten 成效。
本章重点
说清对象、证据和限制。明确归因是好写作，不证明段落权威、引擎权重或必然进入答案。
CH.06
切块检查清单
Tenten 清单用于公开内容可读性及另外可控制的 RAG 管线。完成是记录工作，不认证引用资格。
| 检查项 | 检查或测试 | 检查理由 |
|---|---|---|
| 切块尺寸 | 仅内部 RAG：在模型实际限制内比较尺寸 | 检查情境缺失、无关资料和 tokenizer 单位 |
| 重叠比例 | 仅内部 RAG：比较重叠候选及不重叠基准 | 检查连续情境、重复返回和存储处理成本 |
| 段落自足 | 独立段落说清主语、答案、证据和限制 | 歧义可能阻碍读者核对 |
| 关键事实位置 | 答案容易找到，附相关情境 | 不让读者翻找无关铺垫 |
| 实体清晰度 | 指代不清时使用明确主语和术语 | 检查归因，不承诺引擎选取 |
五项可读性和内部 RAG 检查，不是公开引擎认证。
- →标题列表组织可读结构；检查自己的 parser，不假设 H2 等于一块。
- →尽量把主张、主语、单位、来源和必要限制放一起。
- →上线前自测一次：把任一段落单独复制出来，问自己「脱离全文，它还看得懂、答得出问题吗？」
- →用实际问题检查可控管线的表格、列表及句子分割；边界不证明失败。
最后一句话
公开内容和内部检索回答不同问题。维护有用可访问页面，测量可控管线。清单或设置不保证公开引用、排名或流量。
数据来源与研究方法
来源核对：2026 年 10 月 5 日（台北）。原始 RAG：https://arxiv.org/abs/2005.11401 ；比较：https://aclanthology.org/2025.findings-naacl.114/ ；Azure：https://learn.microsoft.com/en-us/azure/search/vector-search-how-to-chunk-documents ；Google：https://developers.google.com/search/docs/appearance/ai-features 。Vecta 报告与限制：https://www.reddit.com/r/Rag/comments/1r47duk/we_benchmarked_7_chunking_strategies_most_best/ 。Firecrawl：https://www.firecrawl.dev/blog/best-chunking-strategies-rag ；CXL 第一方观测：https://www.linkedin.com/posts/cxldotcom_we-analyzed-100-google-ai-overview-citations-activity-7435376188954480642-_vhS 。来源不建立通用尺寸、位置权重或引用保证。候选和写作检查是 Tenten 建议；虚构示例不是客户成果。
© 2026 Tenten GEO · 欢迎引用本白皮书内容，请注明出处。
讨论你的 AI 搜索重点
申请 30 分钟基准解读提交预约申请后，我们会在 24 小时内通过邮件确认时间。