用途：为 RAG 系统、向量检索管线和文档处理流程提供分块策略，适用于构建或优化检索质量不佳的现有系统。
主要能力：按文档类型与场景选择五级策略——固定大小分块（简单文档，建议 512 tokens、10-20% 重叠，事实型查询用 256、分析型用 1024）、递归字符分块（按段落→句子→词层级分隔，可适配 HTML、Markdown、JSON）、结构感知分块（保留函数、章节、表格块等语义单元）、语义分块（基于嵌入的边界检测，相似度阈值 0.8，缓冲 3-5 句）以及高级方法（Late Chunking、Contextual Retrieval）。同时提供分块流水线：预处理文档、选择参数（分块大小约为嵌入模型上下文窗口的四分之一）、处理与验证、评估迭代。
使用方式：按需选择策略并实现流水线；可用验证命令检查质量，例如用 sentence-transformers 计算语义内聚度（目标 0.3-0.7）、计算检索精确率（目标不低于 0.7）、查看分块大小分布。若精确率低于 0.7 可将 chunk_size 减少 25% 后重评，召回率低于 0.6 可将重叠增加 10% 后重评。示例代码涉及 LangChain 的 RecursiveCharacterTextSplitter、基于 ast 的 Python 代码分块和基于余弦相似度的语义分块。
适用场景：RAG 构建与调优、向量搜索、文档分块工作流、多模态内容处理。
限制：语义方法计算开销大，Late Chunking 需长上下文嵌入模型，复杂策略增加延迟；需监控大批量文档的内存；部署前应用代表性文档测试并保证分块可独立理解。具体收费、价格与平台支持暂未提供。