你好，我是方可乐。
一个从Java开发成功转型，聚焦 AI 编程、AI 应用和智能体开发的 AI 应用开发工程师。
今天在AI成长圈群里，一个正从java转行的朋友问我：在RAG中，PDF 跨页怎么切？召回怎么拼出正确答案？
我没直接回答。
我说你先换个思路——当下，我们是否需要硬规则或者算法去切？
硬规则，是省 token 的妥协，不是最优解
以前模型贵，一个 token 都精打细算，所以只能靠算法：按页切、按标题切、去掉页眉页脚。这些规则看着严谨，本质是在省钱，不是让内容被理解得更好。
现在 deepseek 跟不要钱一样，1M 上下文往那一放，整个 PDF 直接丢给模型，让它自己按语义做最优切割——比任何规则都切得准。
切片只是手段，目的是让模型理解内容。
模型自己能理解了，规则就不重要了。
但切片只是第一环，别只盯它。
一个完整的 RAG 链路是：问题改写/拆分 → 切片 → 检索召回 → 拼上下文 → 生成。切片只是其中一环。
很多人一上来就扎进切片和调参里，连链路都没跑通，顺序就反了。
问题改写必须做：你要支持口语化聊天问答，用户说"那个啥咋用"，文档里写的是"功能说明"。不改写，检索就是废的。改写的提示词要沉淀下来，你的知识版图才巩固。
召回怎么拼？我觉得暂时能跑就行
你想知道怎么保证召回能拼接出正确答案？
——我的答案可能让你失望：别指望一上来就拼得完美。
关键字、向量相似度、重排，还有一堆权重阈值，看着玄，但数据量没上来，调了也看不出效果。
真不准了，再针对高频出问题的场景，单点优化。
时代变了，算法让位给模型。
与其纠结切分规则，算法，参数细节，不如先把链路跑通
——真出了问题，再回来调。这比收藏一堆切分方案高效得多。
面试也一样：别背切片规则。
你实践过、有数据、能说清楚为什么这么切，比记住一堆参数强得多。