---
title: "حجم المقطع والتداخل في RAG: الاسترجاع وتكلفة الرموز | BroadRouter"
description: "كيف يغيّر حجم المقطع والتداخل دقة استرجاع RAG وحجم الفهرس وتكلفة التضمين والرموز التي يرسلها كل استعلام إلى النموذج، مع نتائج منشورة وأرقام محسوبة."
url: https://broadrouter.com/ar/blog/rag-chunk-size-overlap/
lang: ar
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

تُرجمت هذه الصفحة من الإنجليزية بمساعدة الذكاء الاصطناعي. [اقرأ الأصل الإنجليزي](https://broadrouter.com/blog/rag-chunk-size-overlap/) (حُدّث في 2026-11-16).

# حجم المقطع والتداخل في RAG: أثرهما على الاسترجاع والتكلفة

بقلم فريق BroadNet Inference · قراءة في 7 دقائق · تاريخ النشر 2026-11-15 · آخر تحديث 2026-11-16

ابدأ بمقاطع من نحو 256 إلى 512 رمزًا، وتداخل من 0 إلى 15%، وقيمة top-k مضبوطة على استعلاماتك أنت. فالمقاطع الأكبر ترفع الرموز التي يرسلها كل استعلام إلى النموذج. والتداخل يضاعف الرموز التي تضمّنها وتخزّنها بمعامل الحجم ÷ (الحجم − التداخل)، فتداخل 50% يضاعف الفهرس. ووجدت اختبارات منشورة أن المقاطع الصغيرة أو بلا تداخل تسترجع غالبًا بالقدر نفسه أو أفضل.

## أبرز النقاط

-   الإدخال لكل استعلام يساوي تقريبًا top-k × حجم المقطع + الأمر. والانتقال من 5 × 400 إلى 8 × 1,024 رمزًا يرسل نحو 3.4 أضعاف الإدخال في كل استعلام.
-   التداخل يضخّم الفهرس بمعامل الحجم ÷ (الحجم − التداخل): فتداخل 15% يضيف حتى نحو 18% (17% على المستندات ذات الـ10,000 رمز المقيسة هنا)، وتداخل 50% يضاعفه.
-   في تقييم Chroma لعام 2024، ضاهت مقاطع من 200 إلى 400 رمز بلا تداخل، أو تفوّقت على، مقاطع من 800 رمز بتداخل 400، وهو الإعداد الافتراضي للبحث في الملفات لدى OpenAI.
-   لم تجد اختبارات NVIDIA لعام 2025 حجمًا أفضل واحدًا: فأسئلة الحقائق المباشرة فضّلت 256 إلى 512 رمزًا، والأسئلة التحليلية 1,024 رمزًا أو صفحة كاملة.
-   احسب حجم المقطع برموز نموذج التضمين لديك. فبعض أدوات التقطيع تعدّ الأحرف افتراضيًا.

**في هذه الصفحة**

1.  ماذا يغيّر حجم المقطع والتداخل؟
2.  ماذا تقول الاختبارات المنشورة عن حجم المقطع؟
3.  كم يضخّم التداخل الفهرس؟
4.  ماذا يفعل حجم المقطع بفاتورة النموذج؟
5.  كيف تقطّع بالرموز دون قطع الكلمات؟
6.  كيف تختار الأرقام لبياناتك؟
7.  أين تقع BroadNet Inference من هذا؟

حجم المقطع والتداخل رقمان يضبطهما كل مسار RAG مبكرًا ونادرًا ما يعود إليهما. ومع ذلك يحدّدان عدد المتجهات التي تخزّنها، وعدد الرموز التي تضمّنها، وعدد الرموز التي يرسلها كل سؤال إلى النموذج، وهل يُعثر على المقطع الصحيح أصلًا. يعرض هذا المقال ما وجدته الاختبارات المنشورة، ثم يمرّ على حساب الرموز لترى تكلفة كل إعداد قبل أن تضمّن أي شيء.

إن كنت لا تزال تقرّر هل تستخدم RAG أصلًا، فابدأ بمقال [السياق الطويل مقابل RAG](https://broadrouter.com/ar/blog/long-context-vs-rag/). وللمستندات العربية، اقرأ مقالَي [RAG بالعربية](https://broadrouter.com/ar/blog/arabic-rag-search/) و[تطبيع النص العربي](https://broadrouter.com/ar/blog/arabic-text-normalization-search/) مع هذا المقال.

## ماذا يغيّر حجم المقطع والتداخل؟

-   **حجم المقطع** هو عدد الرموز في كل قطعة تضمّنها وتسترجعها.
-   **التداخل** هو عدد الرموز المشتركة بين المقاطع المتتالية، حتى تظهر الجملة المقطوعة عند الحد كاملةً في مقطع واحد على الأقل.
-   **top-k** هو عدد المقاطع التي تسترجعها لكل سؤال.

ومعًا يحدّدون أربعة أشياء:

| الكمية | المعادلة (للمستندات الطويلة) |
| --- | --- |
| المقاطع المخزّنة | رموز المجموعة ÷ (الحجم − التداخل) |
| الرموز المضمَّنة | رموز المجموعة × الحجم ÷ (الحجم − التداخل) |
| السياق لكل استعلام | top-k × الحجم |
| إدخال النموذج لكل استعلام | top-k × الحجم + أمر النظام + السؤال |

الأوليان تُدفعان مرة في كل عملية فهرسة، ومجددًا كلما أعدت التقطيع. أما الأخيرة فتُدفع مع كل سؤال، إلى الأبد.

## ماذا تقول الاختبارات المنشورة عن حجم المقطع؟

هناك تقييمان عامّان يستحقان المعرفة، لأنهما قاسا أشياء مختلفة.

**Chroma (Smith وTroynikov، يوليو 2024)** قاست الاسترجاع على مستوى الرموز: كم من النص ذي الصلة استُرجع (الاستدعاء أو recall)، وكم مما استُرجع كان ذا صلة. واستخدمت خمسة مقاطع مسترجعة ونموذج text-embedding-3-large من OpenAI. صفوف مختارة:

| أداة التقطيع | الحجم (رموز) | التداخل | Recall | IoU |
| --- | --- | --- | --- | --- |
| Recursive | 800 | 400 | 85.4% | 1.5% |
| Token | 800 | 400 | 87.9% | 1.4% |
| Recursive | 400 | 200 | 88.1% | 3.3% |
| Recursive | 400 | 0 | 89.5% | 3.6% |
| Recursive | 200 | 0 | 88.1% | 6.9% |

يقيس IoU (التقاطع على الاتحاد) نسبة النص المسترجَع ذي الصلة، فهو أيضًا مقياس للرموز المهدرة. وصفّا 800/400 يطابقان الإعداد الافتراضي للبحث في الملفات لدى OpenAI؛ وبافتراض أداة تقطيع بالرموز، وجدت Chroma أن هذا الإعداد أعطى استدعاءً أقل قليلًا من المتوسط وأدنى الدرجات في المقاييس الأخرى. أما المقاطع الأصغر بلا تداخل فاسترجعت القدر نفسه أو أكثر، وحملت نصًا غير ذي صلة أقل بكثير.

**NVIDIA (يونيو 2025)** قاست دقة الإجابة من البداية إلى النهاية على خمس مجموعات بيانات، بمقاطع رموز من 128 إلى 2,048 بتداخل 15%، إضافة إلى التقطيع بمستوى الصفحة والقسم. وحقق التقطيع بمستوى الصفحة أعلى دقة متوسطة (0.648) وأقل تباين. واعتمد أفضل حجم بالرموز على نوع الأسئلة: فمجموعات أسئلة الحقائق المباشرة فضّلت 256 إلى 512 رمزًا، والتحليلية 1,024 رمزًا أو صفحات كاملة. وكان الطرفان، 128 و2,048، أسوأ عادةً.

ويتفق التقييمان على أمر واحد: **لا يوجد حجم أفضل عالميًا**، ونادرًا ما تكون المقاطع الكبيرة جدًا مع تداخل كثيف هي الإعداد الافتراضي الصحيح.

## كم يضخّم التداخل الفهرس؟

كل مقطع يتقدم بمقدار الحجم − التداخل من الرموز، فيحتوي الفهرس على الحجم ÷ (الحجم − التداخل) نسخة من المجموعة. لمجموعة من 2,000,000 رمز مكوّنة من مستندات كل منها 10,000 رمز:

| الحجم | التداخل | المقاطع | الرموز المضمَّنة | التضخّم |
| --- | --- | --- | --- | --- |
| 200 | 0 | 10,000 | 2,000,000 | 1.00× |
| 400 | 0 | 5,000 | 2,000,000 | 1.00× |
| 512 | 77 (15%) | 4,600 | 2,338,800 | 1.17× |
| 1,024 | 154 (15%) | 2,400 | 2,338,800 | 1.17× |
| 800 | 400 (50%) | 4,800 | 3,840,000 | 1.92× |
| 400 | 200 (50%) | 9,800 | 3,920,000 | 1.96× |

المستندات القصيرة تتضخم أقل قليلًا، لأن آخر مقطع في كل منها جزئي. والمعادلة تعطي الحد الأقصى: تداخل 15% يكلّف نحو 18% إضافية، وتداخل 50% نحو 100% إضافية، في رموز التضمين وتخزين المتجهات ووقت إعادة الفهرسة.

والتداخل يكلّف أيضًا وقت الاستعلام. فمع تداخل 50%، يكرّر مقطعان متجاوران مسترجعان للسؤال نفسه نصف نصّهما. وأنت تدفع ثمن هذه الرموز المكررة، وهي تدفع مقاطع أخرى ذات صلة خارج top-k.

ولا تبيع BroadNet التضمينات، فهذا الجانب من الفاتورة يذهب إلى مزوّد التضمين لديك. سعّره بـ [حاسبة تكلفة التضمينات](https://broadrouter.com/tools/embedding-cost-calculator/).

## ماذا يفعل حجم المقطع بفاتورة النموذج؟

كل سؤال يرسل top-k من المقاطع مع الأمر. خذ 100,000 سؤال شهريًا، و600 رمز لأمر النظام والسؤال، والإجابة نفسها بطول 300 رمز في كل مرة:

| الحجم × top-k | السياق لكل استعلام | الإدخال لكل استعلام | الإدخال شهريًا |
| --- | --- | --- | --- |
| 200 × 10 | 2,000 | 2,600 | 260 مليونًا |
| 400 × 5 | 2,000 | 2,600 | 260 مليونًا |
| 512 × 5 | 2,560 | 3,160 | 316 مليونًا |
| 800 × 5 | 4,000 | 4,600 | 460 مليونًا |
| 1,024 × 5 | 5,120 | 5,720 | 572 مليونًا |
| 1,024 × 8 | 8,192 | 8,792 | 879 مليونًا |

الإخراج 30 مليون رمز شهريًا في كل صف، فالإدخال وحده يتغير. وبسعر لكل مليون رمز، تكون تكلفة الإدخال الشهرية هي الملايين في العمود الأخير مضروبة في ذلك السعر. فعلى [Gemma 4 VL 26B](https://broadrouter.com/ar/models/gemma-4-vl-26b/) بسعر $0.10 لكل مليون رمز إدخال، يكلّف إعداد 1,024 × 8 مبلغ 879 × $0.10 شهريًا في الإدخال، مقابل 260 × $0.10 لإعداد 400 × 5. أي 3.4 أضعاف، لإعداد لا تُظهر الاختبارات المنشورة أنه يسترجع أفضل. وعلى [Qwen3.8 27B](https://broadrouter.com/ar/models/qwen3.8-27b/) (إدخال بسعر $0.175) أو [GLM 5.3](https://broadrouter.com/ar/models/glm-5.3/) (إدخال بسعر $0.78)، تبقى النسبة نفسها والإجماليات أكبر.

وهناك رافعتان تحرّكان هذا الرقم أكثر مما يحرّكه سعر النموذج:

1.  **خفّض k حين ترفع الحجم.** فإعدادا 200 × 10 و400 × 5 يرسلان السياق نفسه. أبقِ السياق لكل استعلام ثابتًا تقريبًا أثناء اختبار الأحجام، لتقارن جودة الاسترجاع لا ميزانية السياق.
2.  **خزّن الجزء الثابت مؤقتًا.** ضع أمر النظام أولًا وأبقِه متطابقًا بايتًا ببايت، ليُحتسب بسعر [الإدخال المخزّن مؤقتًا](https://broadrouter.com/ar/blog/cached-input-tokens-explained/) على النماذج التي لها هذا السعر. أما المقاطع المسترجعة فتتغير مع كل سؤال ونادرًا ما تُخزَّن.

وحدود السياق مهمة أيضًا. يقبل Gemma 4 VL 26B حتى 32,768 رمزًا في الطلب، وهذا يكفي أي صف أعلاه. وإن دفعت k × الحجم نحو عشرات الآلاف من الرموز، فقد انتقلت من RAG نحو [السياق الطويل](https://broadrouter.com/ar/blog/long-context-vs-rag/)، ولتلك المقارنة حسابها الخاص. و[حاسبة تقطيع RAG](https://broadrouter.com/tools/rag-chunking-calculator/) تطبّق هذه المعادلات على مجموعتك وحجم مقطعك وتداخلك وقيمة top-k لديك.

## كيف تقطّع بالرموز دون قطع الكلمات؟

احسب بالرموز، لكن اقطع عند البنية. فأداة `RecursiveCharacterTextSplitter` في LangChain تقيس الحجم بدالة `length_function`، وهي طول الأحرف افتراضيًا. فيصبح «الحجم» 512 مساويًا 512 حرفًا، أي نحو 100 إلى 150 رمزًا من الإنجليزية، ورقمًا مختلفًا مرة أخرى للعربية؛ راجع [عدد الرموز لكل كلمة في العربية](https://broadrouter.com/ar/blog/tokens-per-word-arabic-english/). أما حدود التضمين وفواتير النموذج فبالرموز.

أداة التقطيع هذه تجمع فقرات كاملة حتى ميزانية من الرموز، وتنقل الفقرات الأخيرة إلى المقطع التالي بوصفها تداخلًا. والقطع عند حدود الفقرات يتجنّب شطر الكلمات أو الأحرف العربية متعددة البايتات، وهو ما قد تفعله نوافذ الرموز الخام.

```python
import tiktoken

enc = tiktoken.get_encoding("o200k_base")    # an estimate: count with your embedder's tokenizer
count = lambda s: len(enc.encode(s))

def chunk(text, size=512, overlap=64):
    """Pack whole paragraphs up to `size` tokens; repeat trailing paragraphs up to `overlap` tokens."""
    chunks, cur, cur_len = [], [], 0
    for para in (p.strip() for p in text.split("\n\n")):
        if not para:
            continue
        n = count(para)
        if cur and cur_len + n > size:
            chunks.append("\n\n".join(cur))
            tail, t = [], 0
            for q in reversed(cur):                  # carry the end of this chunk forward
                if t + count(q) > overlap:
                    break
                tail.insert(0, q); t += count(q)
            cur, cur_len = tail, t
        cur.append(para); cur_len += n              # a paragraph over `size` stays whole
    if cur:
        chunks.append("\n\n".join(cur))
    return chunks

def plan(corpus_tokens, size, overlap, k, queries_per_month, prompt_tokens=600):
    index_tokens = corpus_tokens * size / (size - overlap)   # long-document limit
    per_query = k * size + prompt_tokens
    return {"chunks": round(index_tokens / size), "tokens_to_embed": round(index_tokens),
            "input_per_query": per_query, "input_per_month": per_query * queries_per_month}

print(plan(2_000_000, 512, 64, 5, 100_000))
# {'chunks': 4464, 'tokens_to_embed': 2285714, 'input_per_query': 3160, 'input_per_month': 316000000}
```

التداخل هنا «حتى» القيمة المحددة: فالفقرة الأطول من ميزانية التداخل لا تتكرر. والفقرة الواحدة الأطول من `size` تبقى كاملة؛ فقسّم مثل هذه الفقرات عند الجمل أولًا إن كانت مستنداتك تحتوي عليها. وابدأ كل مقطع بعنوان مستنده وعنوان قسمه، ليظل المقطع المسترجَع يقول عمّا يتحدث. وهذا يضيف بضعة رموز لكل مقطع، وكثيرًا ما يفيد أكثر من التداخل.

## كيف تختار الأرقام لبياناتك؟

1.  **ابنِ مجموعة تقييم.** من 50 إلى 200 سؤال حقيقي، لكل منها المقطع الذي يجيب عنه. ويغطي [دليل تقييم نماذج اللغة](https://broadrouter.com/ar/blog/evaluate-llm-before-switching/) طريقة التقييم.
2.  **ثبّت ميزانية السياق.** أبقِ k × الحجم قريبًا من قيمة واحدة، مثل 2,000 رمز، أثناء مقارنة الأحجام.
3.  **جرّب ثلاثة أحجام وتداخلين.** مثلًا 256 و512 و1,024 رمزًا، كل منها بتداخل 0 و15%. وقِس استدعاء المقطع الصحيح عند k.
4.  **جرّب البنية.** إن كانت لمستنداتك صفحات أو أقسام مرقّمة، فاختبر المقاطع بمستوى الصفحة أو القسم مقابل الأحجام بالرموز. فقد وجدت NVIDIA أن مستوى الصفحة هو الأكثر اتساقًا.
5.  **اختر أرخص إعداد يقع ضمن نقطة أو نقطتين من أفضل استدعاء،** ثم سعّره بحجم استعلاماتك باستخدام [طريقة حساب التكلفة الشهرية](https://broadrouter.com/ar/blog/estimate-llm-api-cost-before-launch/).

افعل ذلك على عيّنة قبل تضمين المجموعة كاملة. فتغيير التقطيع لاحقًا يعني إعادة تضمين كل شيء.

## أين تقع BroadNet Inference من هذا؟

تخدم BroadNet Inference خطوة الإجابة في RAG، لا الاسترجاع. فهي لا تبيع تضمينات ولا تخزينًا للمتجهات، فاجمعها مع مزوّد تضمينات وقاعدة بيانات متجهات من اختيارك. وللإجابة، Gemma 4 VL 26B هو الخيار منخفض التكلفة، ويعمل بالرصيد الابتدائي $5. أما Qwen3.8 27B (سياق 262,144 رمزًا) وGLM 5.3 (1,048,576) فيناسبان قيم top-k الأكبر أو المستندات الطويلة، بعد شحن الرصيد. ولا يُحتفظ بالأوامر والمقاطع المسترجعة بعد الطلب. وإن كانت مجموعتك صغيرة وثابتة بما يكفي لتتسع لها نافذة السياق، فقد يتفوّق [السياق الطويل](https://broadrouter.com/ar/blog/long-context-vs-rag/) على التقطيع كليًا.

أدوات مجانية لهذا الموضوع (بالإنجليزية)

-   [OpenAI to BroadNet migration helper](https://broadrouter.com/tools/openai-to-broadnet-migration/) Paste OpenAI SDK code; get base URL, key and model edits, a diff and the checks that remain.
-   [max\_tokens calculator for reasoning models](https://broadrouter.com/tools/reasoning-token-budget/) Answer length + reasoning budget + margin = a max\_tokens that does not cut the answer off.
-   [JSON schema generator for LLM structured output](https://broadrouter.com/tools/json-schema-generator/) Sample JSON to strict schema, Pydantic, Zod and a ready request.
-   [LLM JSON output validator](https://broadrouter.com/tools/llm-json-output-validator/) Parse errors by line and column, safe repairs, cut-off detection and JSON Schema checks for model output.

[أدوات مجانية (بالإنجليزية)](https://broadrouter.com/tools/)

## مصطلحات في هذا المقال

[الرمز (التوكن، Token)](https://broadrouter.com/ar/glossary/token/)

الرمز (التوكن) هو وحدة النص التي يقرؤها نموذج اللغة ويكتبها: كلمة، أو جزء من كلمة، أو علامة ترقيم، أو تسلسل بايتات ينتجه مجزّئ النموذج (tokenizer). وتَعُدّ واجهات LLM API الاستهلاك بالرموز، وتضع حدودها بها، وتحتسب تكلفتها بها عادةً.

[التقطيع إلى أجزاء (Chunking في RAG)](https://broadrouter.com/ar/glossary/chunking/)

التقطيع (chunking) هو الخطوة في سلسلة الاسترجاع التي تقسم المستندات إلى قطع أصغر تسمّى الأجزاء (chunks) قبل تضمينها وفهرستها. ويحدد حجم الجزء مقدار النص في كل قطعة، ويكرر التداخل بعض النص بين الأجزاء المتجاورة كي لا تضيع الأفكار المقطوعة عند الحد الفاصل.

[RAG (التوليد المعزّز بالاسترجاع)](https://broadrouter.com/ar/glossary/rag/)

RAG (التوليد المعزّز بالاسترجاع) نمط يسترجع فيه التطبيق أولًا مقاطع متصلة بالسؤال من مخزن خارجي، مثل فهرس بحث أو فهرس متجهات، ثم يضيفها إلى الأمر ليجيب النموذج اللغوي من ذلك النص لا من ذاكرته وحدها.

[استدعاء الأدوات (Tool calling)](https://broadrouter.com/ar/glossary/tool-calling/)

استدعاء الأدوات، ويُسمّى أيضًا استدعاء الدوال (function calling)، ميزة في واجهات LLM API يُرجع فيها النموذج طلبًا منظَّمًا لتشغيل دالة عرّفها المطوّر، مع معاملات بصيغة JSON. ويشغّل التطبيق الدالة ويعيد النتيجة؛ فالنموذج لا يشغّل الشيفرة بنفسه أبدًا.

[التضمينات (Embeddings)](https://broadrouter.com/ar/glossary/embeddings/)

التضمينات (embeddings) قوائم من الأعداد العشرية (متجهات) يُنتجها نموذج لتمثيل قطعة نص أو صورة أو أي مدخل آخر. وتحصل المدخلات المتشابهة في المعنى على متجهات متقاربة، فيمكن استخدام المسافة بين المتجهات لترتيب نتائج البحث أو تجميع المستندات أو إيجاد العناصر المرتبطة.

[التقييم (Eval)](https://broadrouter.com/ar/glossary/eval/)

التقييم (eval، اختصار evaluation) اختبار قابل للتكرار لنموذج لغوي أو أمر: مجموعة ثابتة من المدخلات، ووصف لما تبدو عليه المخرجات الجيدة، ومصحِّح (شيفرة أو إنسان أو نموذج آخر) يمنح كل مخرج درجة حتى يمكن المقارنة بين الإصدارات.

[أمر النظام (System prompt)](https://broadrouter.com/ar/glossary/system-prompt/)

أمر النظام (system prompt) هو نص التعليمات الذي يرسله التطبيق إلى النموذج اللغوي قبل المحادثة، عادةً في رسالة بالدور system أو developer. وهو يحدد دور النموذج وقواعده ونبرته وصيغة مخرجاته، ويُفترض أن يلتزم به النموذج إذا تعارض مع رسائل المستخدم.

[الرصيد المدفوع مسبقًا (Prepaid credit)](https://broadrouter.com/ar/glossary/prepaid-credit/)

الرصيد المدفوع مسبقًا هو مال يُضاف إلى حساب API قبل الاستخدام. يُخصم من الرصيد ثمن كل طلب، وعندما ينفد الرصيد تتوقف الطلبات المحتسبة بالاستهلاك حتى تشحن رصيدك. وهو يحصر الإنفاق في حدود ما دفعته.

## أسئلة شائعة

### ما حجم المقطع المناسب في RAG؟

ابدأ بنحو 256 إلى 512 رمزًا واختبر. فقد وجد تقييم Chroma أن 200 إلى 400 رمز بلا تداخل أدّت أداءً جيدًا. ووجدت NVIDIA أن 256 إلى 512 رمزًا تناسب أسئلة الحقائق المباشرة، بينما كانت الأسئلة التحليلية أفضل مع مقاطع من 1,024 رمزًا أو بمستوى الصفحة.

### كم يجب أن يكون تداخل المقاطع؟

أقل من معظم الإعدادات الافتراضية. وجدت NVIDIA أن 15% هو الأفضل بين 10% و15% و20% التي جرّبتها على مجموعة بيانات واحدة. ووجدت Chroma أن الإعدادات بلا تداخل سجّلت غالبًا النتيجة نفسها أو أفضل. وكل نقطة تداخل تضيف رموزًا تُضمَّن وتُخزَّن وتُرسَل.

### هل يكلّف حجم المقطع الأكبر أكثر؟

ليس في التضمين، إن لم يكن هناك تداخل: فالمجموعة النصية بالعدد نفسه من الرموز. لكنه يكلّف أكثر في كل استعلام، لأن كل مقطع مسترجَع أطول، فيكبر top-k × حجم المقطع. خفّض k حين ترفع الحجم.

### هل يُقاس حجم المقطع بالرموز أم بالأحرف؟

يعتمد على أداة التقطيع. فـ RecursiveCharacterTextSplitter في LangChain يقيس بدالة length\_function، وهي طول الأحرف افتراضيًا. أما حدود التضمين وفواتير النموذج فبالرموز، فمرّر دالة لعدّ الرموز.

### هل يجب أن أعيد التضمين عند تغيير حجم المقطع؟

نعم. الحدود الجديدة تصنع مقاطع جديدة، وكل منها يحتاج متجهًا جديدًا. وإعادة التضمين تكلّف الفهرس كله مرة أخرى، فثبّت التقطيع على عيّنة قبل تضمين المجموعة كاملة.

## تابع القراءة

-   [السياق الطويل أم RAG: متى تُغني مليون رمز عن قاعدة المتجهات؟](https://broadrouter.com/ar/blog/long-context-vs-rag/)
-   [RAG للعربية: التطبيع والتقطيع والاسترجاع الذي ينجح فعلًا](https://broadrouter.com/ar/blog/arabic-rag-search/)
-   [توحيد النص العربي للبحث وRAG: ما الذي تغيّره وما الذي تتركه](https://broadrouter.com/ar/blog/arabic-text-normalization-search/)
-   [كيف تقدّر تكلفة LLM API قبل إطلاق ميزة جديدة](https://broadrouter.com/ar/blog/estimate-llm-api-cost-before-launch/)
-   [رموز الإدخال المخزّنة مؤقتًا: كيف تخفّض فاتورة LLM API](https://broadrouter.com/ar/blog/cached-input-tokens-explained/)
-   [عتاد GPU لدى BroadNet وطريقة تقديم النماذج، كما تصفها BroadNet](https://broadrouter.com/ar/blog/broadnet-gpu-fleet-and-serving/)
-   [تخزين استجابات LLM API مؤقتًا لخفض التكلفة: تطابق تام بـ Python](https://broadrouter.com/ar/blog/cache-llm-responses-cut-cost/)
-   [دليل: استخدام OpenAI Python SDK مع BroadNet Inference](https://broadrouter.com/ar/guides/openai-python-sdk/)

جرّبه على مهامك الفعلية. تبدأ الحسابات الجديدة برصيد قدره $5 لاستخدام Gemma والتفريغ الصوتي. أما DeepSeek وGLM وQwen3.8 فتتطلب شحن الرصيد.

[ابدأ الآن](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=ar-blog-rag-chunk-size-overlap&utm_content=page-cta) ·

**المصادر**

-   [Smith وTroynikov، Evaluating Chunking Strategies for Retrieval، تقرير Chroma التقني، يوليو 2024 (تاريخ المراجعة 2026-11-15)](https://research.trychroma.com/evaluating-chunking)
-   [مدونة NVIDIA التقنية، Finding the Best Chunking Strategy for Accurate AI Responses، يونيو 2025 (تاريخ المراجعة 2026-11-15)](https://developer.nvidia.com/blog/finding-the-best-chunking-strategy-for-accurate-ai-responses/)
-   [دليل الاسترجاع من OpenAI: مقاطع افتراضية من 800 رمز بتداخل 400 رمز، وحدود chunking\_strategy (تاريخ المراجعة 2026-11-15)](https://developers.openai.com/api/docs/guides/retrieval)
-   [وثائق LangChain، RecursiveCharacterTextSplitter: حجم المقطع يُقاس بالدالة length\_function، وبالأحرف افتراضيًا (تاريخ المراجعة 2026-11-15)](https://docs.langchain.com/oss/python/integrations/splitters/recursive_text_splitter)
-   [أسعار BroadNet Inference ومرجعها التقني: النماذج وأطوال السياق والإدخال المخزّن مؤقتًا (تاريخ المراجعة 2026-11-15) (بالإنجليزية)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ar-blog-rag-chunk-size-overlap&utm_content=sources)
