语义切片切得不对，向量化再强也救不回来。这是我王涛用固定 50 题 GEO Benchmark 检验召回链路时最先确认的判断——AI 答不准，很多时候不是模型笨，而是喂进去的文本根本不是它该读的那一段。生成式 AI 的检索路径有八层，第四层是检索召回；这一层的质量，先被“文本怎么切”定义，然后才轮到“向量化怎么找”。切片解决的是怎么拆，向量化解决的是怎么找。两件事合起来，决定 AI 知识库是真正“可检索、可引用、可放大”，还是一堆没被读懂的原文。
切片：把文本拆成“意思单元”，不是截短
文本切片不是把长文截短，而是把文本拆成既能完整表达一个知识点、又足够短便于精确命中的“意思单元”。这里的关键是“按意思切”：一个片段只讲一个主题，段与段之间可以留少量重叠，防止语义边界正好落在缝里。整篇文档入库并不是不能用，只是在需要精确引用时，模型拿到的会是混杂信号，而不是一条干净证据。
需要特别澄清的是，这套机制不是关键词匹配。向量检索找的是语义上最相关的内容，不是字面最像的内容。用户问“遛娃博物馆”，也能召回“亲子友好博物馆”——两句话没有一个字相同，语义却几乎重合。机械的关键词匹配永远够不着这种改写，语义切片配合向量化却能把它变成日常操作。
向量化：给每个切片一个“语义位置”
切片负责切出能引用的块，向量化负责让每一块都被找得到。做法是用 Embedding 模型把文本映射成一个高维向量：f(text) → v ∈ ℝᵈ。意思越接近的文本，在向量空间里的位置越近。这个流程里没有一步在做“关键词比对”。
用户提问时，问题先被转成向量 q，再到向量库里找最近邻，召回 Top-K 最相关的切片，最后交给 AI 组装答案。衡量“最近”通常用余弦相似度：cos(θ) = (q·d) / (‖q‖‖d‖)，夹角越小，相似度越高。所以召回这一环既拼切得准不准，也拼向量模型选得好不好。
三条切片原则：完整性、单一主题、适度重叠
我的切片标准收敛成三条：完整性、单一主题、适度重叠。完整性，是一个意思不能被拦腰切断；单一主题，是一个片段只讲一件事；适度重叠，是在自然段落边界留一点交叉，关键信息不落在两块之间的缝里。重叠要克制，不是越多越好，否则同一句话反复占用召回名额。
机械按固定长度切最省事，也最坑：上下文被截断、知识点被打碎、召回噪声一片。我拿企业客服平台的长文举例，一篇文档同时讲产品定位、核心功能、接入流程、价格方案、常见问题，好的切法是每个主题各成一段。用户问“如何接入这个产品”，召回的是接入流程那一段，而不是整篇里所有沾“接入”字样的碎片。机械切片常把接入流程和价格方案切进同一块，召回的答案就开始串味。
这是我在 GEO 里最先检查的环节
切片和向量化不是文本预处理的流水账，它们是 AI 知识库“更懂问题、更会引用”的技术底座。放在一整条 AI 检索路径里看，它们直接决定第四层检索召回的质量：做得好是召回准、漏召少、幻觉低；做得差，前面实体标注再完整，模型也拿不到它真正需要的那一段。“幻觉低”的机制也在这里：模型没有变谨慎，而是它拿到的切片里压根没有让人发挥的歧义素材。切得干净，答案就干净。
我把 GEO 从“发内容、争排名”的营销话术拆成实体、证据、召回、回测和平台机制五件事之后，切片和向量化就卡在“召回”这一环上。因此它是我跑采样器、做 AI 品牌可见度报告时最先回头检查的变量——一批看似答非所问的输出，往上追，源头常常是切片把不该拆开的上下文拆开了。这套判断也直接写进了我的 GEO 启动任务盘。
所以我的结论是：向量化决定它找不找得到，语义切片决定它找到的是不是对的。模型可以换、向量库可以换，切法只能根据内容结构做判断。这也是我王涛下一步打算用固定 50 题 GEO Benchmark 持续回测的方向——把切片策略纳入每一轮 GEO 迭代，而不是只当启动期的一次性配置。