三个必须切的理由：

• 检索要精准：块越聚焦一个主题，"年假"这个问题就越能命中"年假那张卡"，而不是命中"整本书"。
• 省钱省窗口：只把相关的几小段塞进 Prompt，而不是整本文档（回忆 Day 18、Day 21）。
• embedding 需要：明天你会学到，embedding 是"给一段文字算一个语义坐标"。一段文字主题越单纯，这个坐标才越准——半本书混在一起，坐标就"糊"了。

切分要在两个目标之间找平衡：

常见的切分粒度，从粗到细：按章节 → 按段落 → 按句子 → 按固定字数。实践中最常用的是"按固定长度切，并在句子/段落边界附近断开"，兼顾简单和不切碎语义。

两个关键参数：

• chunk_size（块大小）：每块多长，常见 200-500 字（或按 token 算）。
• overlap（重叠）：相邻两块重复多少内容，常取 chunk_size 的 10%-20%，比如 300 字块配 50 字重叠。

几种常见思路：

chunk_size 是个"跷跷板"，两个极端都有代价：

def split_text(text: str, size: int = 300, overlap: int = 50):
    """把 text 切成每块约 size 字、相邻块重叠 overlap 字。"""
    chunks = []            # 存放切好的块
    start = 0              # 当前块从第几个字开始
    while start < len(text):
        end = start + size          # 这一块的结束位置
        chunks.append(text[start:end])   # 切片 text[start:end] 取一段
        # 下一块的起点 = 当前终点往回退 overlap，形成重叠
        start = end - overlap
        if start <= 0:              # 防御：overlap 比 size 还大时死循环
            break
    return chunks

doc = "第一段讲年假。" * 40 + "第二段讲病假。" * 40   # 造一段长文本
parts = split_text(doc, size=100, overlap=20)
print("切出块数:", len(parts))          # 看切成了几块
print("第1块:", parts[0][:30], "...")   # 瞄一眼第1块开头
print("第2块:", parts[1][:30], "...")   # 第2块开头会重复第1块结尾(重叠)

✋ 动手（约 10 分钟）

# 把 L06 的 split_text 存成 chunk.py，用真实文本试三组参数
python3 chunk.py

1. 找一段你熟悉的长文本（几百字即可），分别用 size=50、size=300、size=1000 切，各打印块数和第一块内容。
2. 观察：size 越小块越多、每块越碎；size 越大块越少、每块越杂。感受"跷跷板"。
3. 把 overlap 在 0 和 50 之间切换，看相邻块的衔接处有没有重复——理解 overlap 的作用。
4. 想一想：如果你的文档是"带很多小标题的手册"，L04 里哪种切法更合适？