---
title: "Qu’est-ce que le chunking en RAG ? Taille et chevauchement"
description: "Le chunking découpe les documents en morceaux qu’un système RAG peut vectoriser, indexer et récupérer. Taille des chunks, chevauchement, réglages courants et coûts."
url: https://broadrouter.com/fr/glossary/chunking/
lang: fr
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Traduit de l’anglais avec l’aide de l’IA. [Lire l’original en anglais](https://broadrouter.com/glossary/chunking/) (mis à jour le 2026-11-15).

# Chunking (découpage pour le RAG)

Mis à jour 2026-11-15

Le chunking est l’étape d’un pipeline de récupération qui découpe les documents en morceaux plus petits, les chunks, avant de les vectoriser et de les indexer. La taille de chunk fixe la quantité de texte par morceau, et le chevauchement répète un peu de texte entre chunks voisins pour ne pas perdre les idées coupées à une frontière.

Aussi appelé : chunking, découpage de documents, découpage de texte, taille de chunk, chevauchement de chunks, stratégie de chunking, chunk size, chunk overlap, text chunking, document chunking, chunking strategy

Un retriever ne peut pas renvoyer un demi-document. Le chunking décide de ce que sont les morceaux.

## Comment ça marche

La documentation de LangChain résume simplement l’objectif : les text splitters « break large docs into smaller chunks that will be retrievable individually and fit within model context window limit » (traduction : « découpent les gros documents en chunks plus petits, récupérables individuellement et qui tiennent dans la limite de la fenêtre de contexte du modèle »). Chaque chunk est ensuite converti en [embeddings](https://broadrouter.com/fr/glossary/embeddings/) et stocké dans une [base de données vectorielle](https://broadrouter.com/fr/glossary/vector-database/), ou indexé pour la recherche par mots-clés.

Deux nombres pilotent la plupart des découpeurs :

-   **Taille de chunk** : la longueur maximale d’un chunk, en caractères ou en tokens.
-   **Chevauchement** : la quantité de texte de la fin d’un chunk répétée au début du suivant.

Les splitters diffèrent aussi par l’endroit où ils coupent. LangChain recommande de commencer par son splitter récursif dans la plupart des cas. Il essaie de garder entières les grandes unités comme les paragraphes, et se rabat sur les phrases, puis les mots, quand une unité est trop grande. Le `SentenceSplitter` de LlamaIndex travaille sur les frontières de phrases ; sa documentation le montre avec des réglages explicites :

```python
from llama_index.core.node_parser import SentenceSplitter

splitter = SentenceSplitter(chunk_size=1024, chunk_overlap=20)
nodes = splitter.get_nodes_from_documents(documents)
```

Un exemple chiffré : un corpus de 100 000 tokens découpé en chunks de 500 tokens avec 50 tokens de chevauchement donne environ 222 chunks (chaque nouveau chunk ajoute 450 tokens nouveaux) et environ 111 000 tokens à vectoriser, soit 11 % de plus que sans chevauchement.

## Pourquoi c’est important

-   **Rappel.** Des chunks trop petits perdent le contexte ; des chunks trop gros diluent la correspondance avec du texte sans rapport.
-   **Coût LLM.** Les chunks récupérés sont envoyés comme tokens d’entrée. Cinq chunks de 1 000 tokens ajoutent 5 000 tokens d’entrée à chaque question.
-   **Coût de l’index.** Le chevauchement et les petits chunks augmentent tous deux le nombre de vecteurs à calculer et à stocker.
-   **Langue.** Les mots arabes peuvent porter des clitiques et des diacritiques qui modifient le décompte des tokens et la correspondance. [La recherche RAG en arabe](https://broadrouter.com/fr/blog/arabic-rag-search/) traite du chunking et de la normalisation pour l’arabe.

Le chunking n’est qu’un levier. Ajouter une [recherche hybride](https://broadrouter.com/fr/glossary/hybrid-search/) ou un [reranker](https://broadrouter.com/fr/glossary/reranking/) aide souvent davantage que d’ajuster la seule taille.

## Sur BroadNet Inference

BroadNet ne propose pas d’endpoint d’embeddings : vous découpez et vectorisez avec vos propres outils ou un autre fournisseur, puis envoyez les chunks récupérés à un modèle de chat de BroadNet. Les modèles à long contexte changent l’arbitrage : [DeepSeek V4.1 Flash](https://broadrouter.com/fr/models/deepseek-v4.1-flash/) et [GLM 5.3](https://broadrouter.com/fr/models/glm-5.3/) acceptent 1 048 576 tokens, si bien qu’un petit corpus peut tenir sans aucune récupération. [Long contexte ou RAG](https://broadrouter.com/fr/blog/long-context-vs-rag/) compare les deux.

Le [calculateur de chunking RAG](https://broadrouter.com/tools/rag-chunking-calculator/) estime le nombre de chunks, la taille de l’index et les tokens par requête pour vos réglages, et [taille et chevauchement des chunks en RAG](https://broadrouter.com/fr/blog/rag-chunk-size-overlap/) passe en revue les tests publiés.

## Questions fréquentes

### Avec quelle taille de chunk commencer ?

Il n’existe pas de valeur unique. Choisissez une taille de départ, constituez un petit jeu de test de vraies questions aux réponses connues et comparez les taux de récupération pour deux ou trois tailles. L’article sur la taille des chunks en RAG rassemble les résultats publiés.

### Le chevauchement fait-il grossir l’index ?

Oui. Le texte qui se chevauche est stocké et vectorisé plusieurs fois : la taille de l’index et le coût des embeddings augmentent avec la part de chevauchement.

### Faut-il découper en caractères ou en tokens ?

Les tailles en tokens correspondent à ce que comptent réellement le modèle d’embeddings et le LLM. Les tailles en caractères sont plus simples, mais un même nombre de caractères peut donner un nombre de tokens très différent selon la langue, y compris en arabe.

## Voir aussi

-   [RAG (génération augmentée par récupération)](https://broadrouter.com/fr/glossary/rag/) (terme)
-   [Embeddings (plongements vectoriels)](https://broadrouter.com/fr/glossary/embeddings/) (terme)
-   [Base de données vectorielle (vector database)](https://broadrouter.com/fr/glossary/vector-database/) (terme)
-   [Recherche hybride (hybrid search)](https://broadrouter.com/fr/glossary/hybrid-search/) (terme)
-   [Reranking (reclassement)](https://broadrouter.com/fr/glossary/reranking/) (terme)
-   [Fenêtre de contexte (context window)](https://broadrouter.com/fr/glossary/context-window/) (terme)
-   [Utiliser LlamaIndex avec BroadNet Inference via OpenAILike](https://broadrouter.com/fr/guides/llamaindex-openailike/) (guide)
-   [Utiliser LangChain avec BroadNet Inference](https://broadrouter.com/fr/guides/langchain-openai-base-url/) (guide)
-   [Taille des chunks et chevauchement en RAG : effets sur rappel et coût](https://broadrouter.com/fr/blog/rag-chunk-size-overlap/) (article)
-   [RAG en arabe : normalisation, chunking et recherche qui fonctionnent](https://broadrouter.com/fr/blog/arabic-rag-search/) (article)
-   [Contexte long ou RAG : quand 1M de tokens remplace la base vectorielle](https://broadrouter.com/fr/blog/long-context-vs-rag/) (article)

Essayez-le sur votre vraie charge de travail. Les nouveaux comptes démarrent avec USD 5 de crédit pour Gemma et transcription. DeepSeek, GLM et Qwen3.8 nécessitent une recharge.

[Commencer](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=fr-glossary-chunking&utm_content=page-cta) ·

**Sources**

-   [Documentation de LangChain, text splitters (vérifié le 2026-11-15)](https://docs.langchain.com/oss/python/integrations/splitters)
-   [Documentation de LlamaIndex, modèle d’utilisation des node parsers (SentenceSplitter) (vérifié le 2026-11-15)](https://developers.llamaindex.ai/python/framework/module_guides/loading/node_parsers/)
