一句话：递归分块（Recursive AI 词典：Chunking">Chunking）是按「先粗后细」的顺序，依次用一组分隔符去切文档；切出来的片段如果还是超长，就换下一级更细的分隔符继续切，直到每一段都不超过设定长度为止。
先看一个类比
想象你要把一本厚书塞进一排尺寸固定的收纳盒。你不会拿剪刀量着 30 厘米剪一刀——你会先按「章」分；某章塞不下盒子，就按「节」分；节还塞不下，再按「段」分；最后才按「句」、按「词」分。切到哪一级为止？切到这块能放进盒子为止。
这就是「递归」的含义：同一个切分动作，在不同层级上反复调用，每次都在上一轮切出来的「超长片段」上继续工作。
实现上长什么样
一般会给分块器传一个分隔符列表，顺序从最粗的边界排到最细的边界，大致是这样：
```
["\n\n", "\n", "。", "！", "？", "；", "，", ""]
```
先按空行切段落；某一段太长，就按单换行切行；某一行还太长，就按句号切句子；句子仍然太长，才退到按字符硬切——列表最后那个空字符串就是兜底选项。每一层切完都要检查长度，不合格就带着下一级分隔符继续递归。
通常还会加一点 overlap（重叠）：相邻两块保留一小段重复内容，避免答案正好卡在边界上被劈成两半。
和相邻概念的区别
| 方式 | 边界依据 | 成本 | 特点 |
|---|---|---|---|
| 固定长度分块 | 字符数 | 极低 | 简单，但常把句子劈成两半 |
| 递归分块 | 分隔符优先级 + 长度上限 | 低 | 优先落在自然边界，兜底硬切 |
| 语义分块 | 相邻句子的向量相似度 | 高 | 边界更准，需要额外模型推理 |
| 父子分块 | 检索用小块、生成用大块 | 中 | 解决的是「切多大」，不是「怎么切」 |
一句话区分：固定长度分块不管内容，语义分块靠模型算，递归分块靠文档本身的标点与换行结构——便宜、确定、可复现。
对从业者的实际意义
它是大多数 RAG（检索增强生成）流水线的默认起点。不知道用什么参数时，先用它。
几个具体坑：中文语料照抄英文的 \n\n 常常失效，因为 PDF 抽出来的文本段落之间可能全是单换行，第一层分隔符根本不触发，直接掉到按句号切；代码块、表格、Markdown 标题这些有强结构的内容，往往需要自定义分隔符或专门解析器，否则会被切得七零八落；长度上限和重叠量没有普适最优值，取决于你的语料密度和下游模型，最终以你在真实数据上的检索效果为准。
对普通职场人来说，理解这一点的价值在于：当你问一个基于公司文档的问答机器人，它答得驴唇不对马嘴时，问题未必在模型，很可能出在文档被切碎的那一刀上。