RAG 文档切分：不要固定一个字符长度

先给结论

先确认实际任务、运行环境和数据边界，再用一个代表性样例验证；记录版本、参数和结果，之后才扩大使用范围。

判断起点

围绕“RAG 文档切分：不要固定一个字符长度”建立可执行的判断步骤，而不是罗列未经验证的功能。知识库内容存在版本、权限和删除要求。向量写入成功只是开始，还要保存原文标识、更新时间、分段位置和访问控制，确保引用可追溯且旧数据可以真正删除。

推荐做法

对比方案时建立同一张评分表，只选择与当前任务有关的五到七项指标，并事先确定不可接受条件。先淘汰环境或权限不匹配的候选，再比较效果和成本，避免因为某个亮点功能掩盖部署、维护或数据风险。

核验重点

• 检索结果能否覆盖正确证据
• 引用是否可以追溯到原始文档
• 数据更新、删除和权限是否同步

把检查结果写成可复测记录，至少包含日期、版本、环境、输入样例和结果。这样项目升级或需求变化后，团队可以判断原结论是否仍然成立。

进一步验证

涉及浏览器或登录态时，先判断是否存在更稳定的官方 API。确需浏览器交互时使用专用测试账号，限制下载与上传目录，结束后清理会话。截图、Cookie 和页面内容都可能包含敏感信息，保存策略应在自动化之前确定。

常见误区

项目更新速度较快，文章不把 Star、宣传指标或单次演示当成长期能力承诺。同时不要把“能够运行”直接解释为“适合生产”，个人试验与长期服务对权限、稳定性、监控和维护的要求不同。

如何形成自己的结论

围绕本文主题准备一个代表性样例，先记录当前方案的基线，再使用候选方案重复同一任务。比较最终正确性、人工修正、耗时、资源或调用成本以及失败恢复情况；如果结果会影响重要数据或线上服务，应先在隔离环境验证。

留下可复查记录

健康检查至少分为进程、协议、代表性调用和下游依赖四层，并为每层提供不同告警。状态页要展示最后成功时间和失败原因。仅检查端口或首页返回 200，会把无法完成核心任务的服务误判为健康。

参考来源

• Haystack

本文根据以上公开项目整理，不复制 README 全文。仓库功能、许可证和维护状态可能变化，使用或分发前请再次查看原始页面。