递归字符切块 (Recursive Splitter)

递归字符切块 (Recursive Character Text Splitter) 是一种按照语义层级分隔符列表（如 `["\n\n", "\n", "。", " ", ""]`）递归向下尝试分割长文本的切分算法；它在优先保证切块大小不超过设定的最大 Token 数 (`chunk_size`) 的前提下，尽量在最高语义层级（如段落双换行 `\n\n`）处切断文本，并在相邻切块间保留一定重叠量 (`chunk_overlap`)。

绝大多数通用文档 RAG 系统的默认基线分块策略，适用于纯文本、技术博客、Wiki 百科等常规语料。

朴素等长字符截断会在句子中间硬生生截断单词或主谓宾结构，造成严重的语义截断破碎；递归切分保留了段落与句子的完整性，`chunk_overlap` 则防止核心知识点恰好落在切块边界而丢失跨句上下文。

分析参数 `chunk_size` (如 256/512/1024) 与 `chunk_overlap` (如 10%~20%) 对向量嵌入语义密度与重复召回率的影响？

针对中英文混排文档，如何自定义分隔符列表以正确优先识别中文句末标点（如 `。！？`）与 Markdown 标题标记（如 `### `）？

为什么在计算切块长度时必须使用对应 Embedding 模型的 Tokenizer (如 cl100k_base / bge tokenizer) 而不是纯 Python `len()` 字符数？

重叠部分 (`chunk_overlap`) 过大时在 RAG 上下文中引起的 Context 膨胀与 LLM 注意力稀释问题如何调优？

代码文件（Python/JS）切分时，如何改用基于 AST (抽象语法树，如 LangChain CodeSplitter) 的类与函数级递归切分？