用途：将文档文本切分成适合 LLM 上下文窗口或向量库入库的块。可在抽取时内联切分（结果写入文档的 chunks 字段），也可用 chunk 命令对已有文本独立切分。默认按字符计大小，提供 tokenizer 模型时按 token 计。
主要能力：--chunk 开启抽取内联分块，默认 1000 字符、200 字符重叠：xberg extract report.pdf --chunk --format json。可用 --chunk-size 与 --chunk-overlap 显式指定。独立命令：xberg chunk --text "..." --chunk-size 800 --chunk-overlap 100，或从 stdin 管道输入。输出默认 JSON，含 chunks、chunk_count、解析后的配置和 input_size_bytes；--format text 输出可读分块，带 --- chunk N --- 分隔。
切分策略由 --chunker-type 选择：text（默认，字符窗口加重叠）、markdown（按标题和块等结构切分）、yaml（结构化配置/数据）、semantic（按主题边界，配合 --topic-threshold，取值 0.0–1.0，默认 0.75，阈值越低块越多越小）。
按 token 计大小：传入 --chunking-tokenizer 与 HuggingFace tokenizer id，如 Xenova/gpt-4o；在 extract 上会隐式开启分块，此时 --chunk-size 按 token 解释。需要 chunking-tokenizers 特性，默认 CLI 构建已包含。
配置与编程：配置文件在 [chunking] 下使用 snake_case，如 max_characters、overlap、chunker_type，用 --config 指定。CLI 的 --chunk-size 对应 max_characters，--chunk-overlap 对应 overlap。Python 通过 ExtractionConfig 的 ChunkingConfig(max_characters=..., overlap=...) 开启并读取 result.results[0].chunks。注意 JSON 输出中 chunker_type 首字母大写（Text、Markdown、Yaml、Semantic），而输入标志为小写。
参数建议（资料给出）：RAG/向量库用 500–1000 字符或 256–512 token，重叠 10–20%，文档可用 markdown 分块保持小节完整；LLM 摘要用较大块 1500–4000 字符、小重叠，按 token 控制不超窗口；主题分段用 semantic 调阈值。
限制与常见问题：重叠必须小于块大小，extract 会拒绝 --chunk-overlap >= --chunk-size；仅改重叠且大于已有配置的块大小时会被截断为 chunk_size/4。缺少 tokenizer 特性时 --chunking-tokenizer 报错。独立 chunk 命令遇到空文本会失败，需提供 --text 或非空 stdin。更多 [chunking] 配置与全部标志见其 references 文档。