Chunking的目标不是“平均分字数”，而是让每个块都在语义上自洽、可被独立检索，且能回到原文定位，以支撑 RAG 的“召回→重排→引用”。因此原则是：
- 结构优先：跟着文档自身的层级与版式（标题/条款/列表/表格/图注）切，比按字数硬切更稳定。
- 对象分离：表格、图像（图注+解释文本）单独成块，因为它们和正文的检索意图不同。
- 长度适中：块太短语义碎片化；太长会稀释向量表达并超 token。中文 250–400 字是经验甜点区（英文 500–800 tokens）。
- 可追溯：每个块都要带
doc_id、page_no、bbox/figure_id/table_id、section_path等 citation。 - 可聚合：问答时可将同条款的相邻块合并送入 LLM，提升完整性。
- 去重归一：版本/重复章节做 canonical 归并，避免“一问多答、答案冲突”。
- 术语归一：同义词词典用于索引与查询扩展，降低“叫法不同找不到”的风险。