之前团队在做合同审查和研报问答两个 RAG 项目，踩了不少分块（Chunk）相关的坑。今天把这块经验整理一下，希望对正在做类似事情的朋友有点帮助。先搞清楚 Token 这个概念做 Chunk 之前，得先理解 Token。很多人把 Token 简单等同于"字"或"词"，这不太准确。Token 是模型实际处理的最小单元，中文大约 1.5-2 个字对应一个 Token，英文则大约是 0.75 个单词一个 Token。这件事为什么重要？因为不同类型的文档，Token 密度差异很大。我们实测过：一份 20 页的中文合同，大约 8000-12000 个 Token；...

不过还是挺开心的hhh

为什么第一段实习都找不到😂，211本，项目一个点评一个微服务商城，

好记性不如烂文档： 每一个你踩过的坑、配好的环境、梳理出的业务逻辑，都写成 Markdown 存下来。不仅是记录，更是输出： 试着把这些文档分享到团队内网（Wiki/语雀）。一个能主动沉淀知识、完善团队文档的实习生，在 Leader 眼里是具有“Owner 意识”的稀缺人才。