文档被切分为多少块？

核心回答

项目里的分块数量应以当前有效版本、去重后的可检索片段数为准，再说明原始文档数、切分策略和长度分布。文档数、片段ID数、向量点数和召回条数不是同一个指标；多表示、历史版本或副本都会让它们不同。

回答时可以按“多少份文档、经过怎样解析与切分、生成多少有效片段、哪些类型特别大”组织，具体数字来自处理记录与索引核对，不用凭平均每篇几块猜一个总数。

数量怎样产生

它取决于有效文本量、段落和标题结构、chunk预算、overlap、表格代码处理、父子层级及去重规则。相同文件大小的PDF，可能是扫描图、长表格或纯文字，不能直接按字节推算片段数。

例如一段1000 token文本，窗口400、重叠100，采用末块覆盖尾部的固定窗口切法，可得到[0,400)、[300,700)、[600,1000)三个片段。这里是限定算法的算例；真实递归或结构化切分会按边界调整，不应据此声称每1000 token固定产生三块。

统计口径怎样落地

处理清单记录doc_id、文档版本、解析与切分版本、成功/失败、chunk_id和长度，按有效版本汇总片段数、每篇分布、空块及异常大块。再与向量或全文索引中实际可查询的唯一ID核对，发现重复写、漏写和删除残留。

父子索引要区分可召回子块与用于补上下文的父块；同一片段产生稠密、稀疏或多向量表示时，记录对应关系，不把多个向量点都算作独立正文。副本属于部署容量，不增加知识片段数。

面试为什么继续追问规模

规模会影响Embedding计算、索引构建、存储、更新与检索预算。裸向量容量可按点数×维度×元素字节估计，但还需图连接、元数据、副本和运行开销。数量增加也可能只是overlap过高或重复内容变多，不能据此证明知识覆盖提高。

常见追问

最终回答会用全部片段吗？ 不会。索引规模是知识库总量，每次检索只取有限候选，再重排和按上下文预算选择；两者应分开说明。

参考资料