---
title: "RAG میں chunking کیا ہے؟ chunk size اور overlap کی وضاحت"
description: "Chunking دستاویزات کو ایسے ٹکڑوں میں بانٹتی ہے جنہیں RAG سسٹم embed، انڈیکس اور retrieve کر سکے۔ chunk size اور overlap، عام سیٹنگز اور لاگت کے ٹریڈ آف۔"
url: https://broadrouter.com/ur/glossary/chunking/
lang: ur
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

یہ صفحہ انگریزی سے AI کی مدد سے ترجمہ کیا گیا ہے۔ [انگریزی اصل پڑھیں](https://broadrouter.com/glossary/chunking/) (اپ ڈیٹ: 2026-11-15).

# چنکنگ (chunking، RAG)

اپ ڈیٹ 2026-11-15

Chunking retrieval پائپ لائن کا وہ مرحلہ ہے جو دستاویزات کو embed اور انڈیکس کرنے سے پہلے چھوٹے ٹکڑوں، یعنی chunks، میں بانٹتا ہے۔ Chunk size طے کرتا ہے کہ ہر ٹکڑے میں کتنا متن ہو، اور chunk overlap ساتھ والے chunks میں کچھ متن دہراتا ہے تاکہ حد پر کٹے خیالات ضائع نہ ہوں۔

دوسرے نام: چنکنگ، ٹیکسٹ چنکنگ، chunking kya hai، chunk size kya hai، chunk size، chunk overlap، text chunking، document chunking، chunking strategy

Retriever آدھی دستاویز نہیں لوٹا سکتا۔ ٹکڑے کیا ہوں گے، یہ chunking طے کرتی ہے۔

## یہ کیسے کام کرتی ہے

LangChain کی دستاویزات مقصد سیدھا بتاتی ہیں: text splitters “break large docs into smaller chunks that will be retrievable individually and fit within model context window limit.” (ترجمہ: بڑی دستاویزات کو چھوٹے chunks میں توڑتے ہیں جو الگ الگ retrieve ہو سکیں اور ماڈل کی کانٹیکسٹ ونڈو کی حد میں سما سکیں۔) پھر ہر chunk کو [embeddings](https://broadrouter.com/ur/glossary/embeddings/) میں بدل کر [ویکٹر ڈیٹابیس](https://broadrouter.com/ur/glossary/vector-database/) میں رکھا جاتا ہے، یا کی ورڈ سرچ کے لیے انڈیکس کیا جاتا ہے۔

زیادہ تر chunkers کو دو عدد کنٹرول کرتے ہیں:

-   **Chunk size**: chunk کی زیادہ سے زیادہ لمبائی، کیریکٹرز یا ٹوکنز میں۔
-   **Chunk overlap**: ایک chunk کے آخر کا کتنا متن اگلے کے شروع میں دہرایا جائے۔

Splitters اس میں بھی مختلف ہیں کہ وہ کہاں کاٹتے ہیں۔ LangChain زیادہ تر صورتوں میں اپنے recursive splitter سے شروع کرنے کا مشورہ دیتا ہے۔ یہ پیراگراف جیسی بڑی اکائیوں کو مکمل رکھنے کی کوشش کرتا ہے، اور اکائی بہت بڑی ہو تو جملوں پر، پھر الفاظ پر آتا ہے۔ LlamaIndex کا `SentenceSplitter` جملوں کی حدود پر کام کرتا ہے؛ اس کی دستاویزات اسے واضح سیٹنگز کے ساتھ دکھاتی ہیں:

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

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

ایک حساب: 100,000 ٹوکن کا کارپس 500 ٹوکن کے chunks میں 50 ٹوکن overlap کے ساتھ بانٹنے پر تقریباً 222 chunks بنتے ہیں (ہر نیا chunk 450 نئے ٹوکن جوڑتا ہے) اور تقریباً 111,000 ٹوکن embed کرنے ہوتے ہیں، بغیر overlap سے 11% زیادہ۔

## یہ کیوں اہم ہے

-   **Recall۔** بہت چھوٹے chunks سیاق کھو دیتے ہیں؛ بہت بڑے chunks میچ کو غیر متعلقہ متن سے پتلا کر دیتے ہیں۔
-   **LLM لاگت۔** نکالے گئے chunks ان پٹ ٹوکن کے طور پر بھیجے جاتے ہیں۔ 1,000 ٹوکن کے پانچ chunks ہر سوال میں 5,000 ان پٹ ٹوکن جوڑتے ہیں۔
-   **انڈیکس لاگت۔** overlap اور چھوٹے chunks دونوں embed اور محفوظ کیے جانے والے ویکٹرز کی تعداد بڑھاتے ہیں۔
-   **زبان۔** عربی الفاظ میں clitics اور اعراب ہو سکتے ہیں جو ٹوکن گنتی اور میچنگ بدلتے ہیں۔ [عربی RAG سرچ](https://broadrouter.com/ur/blog/arabic-rag-search/) عربی کے لیے chunking اور نارملائزیشن بیان کرتی ہے۔

Chunking ایک لیور ہے۔ [Hybrid search](https://broadrouter.com/ur/glossary/hybrid-search/) یا [reranker](https://broadrouter.com/ur/glossary/reranking/) شامل کرنا اکثر صرف سائز ٹیون کرنے سے زیادہ مدد کرتا ہے۔

## BroadNet Inference پر

BroadNet کوئی embeddings اینڈپوائنٹ نہیں دیتا، اس لیے chunking اور embedding اپنے ٹولز یا کسی دوسرے فراہم کنندہ سے کریں، اور نکالے گئے chunks BroadNet کے چیٹ ماڈل کو بھیجیں۔ لمبے کانٹیکسٹ والے ماڈل ٹریڈ آف بدل دیتے ہیں: [DeepSeek V4.1 Flash](https://broadrouter.com/ur/models/deepseek-v4.1-flash/) اور [GLM 5.3](https://broadrouter.com/ur/models/glm-5.3/) 1,048,576 ٹوکن لیتے ہیں، اس لیے چھوٹا کارپس retrieval کے بغیر بھی سما سکتا ہے۔ [لمبا کانٹیکسٹ بمقابلہ RAG](https://broadrouter.com/ur/blog/long-context-vs-rag/) دونوں کا موازنہ کرتی ہے۔

[RAG chunking کیلکولیٹر](https://broadrouter.com/tools/rag-chunking-calculator/) آپ کی سیٹنگز کے لیے chunks کی تعداد، انڈیکس کا سائز اور فی کوئری ٹوکنز کا اندازہ دیتا ہے، اور [RAG chunk size اور overlap](https://broadrouter.com/ur/blog/rag-chunk-size-overlap/) شائع شدہ ٹیسٹس سمجھاتی ہے۔

## عام سوالات

### شروعات کس chunk size سے کروں؟

کوئی ایک درست قدر نہیں۔ ایک ابتدائی سائز چنیں، معلوم جوابات والے اصل سوالات کا چھوٹا ٹیسٹ سیٹ بنائیں، اور دو تین سائزز پر retrieval hit rate کا موازنہ کریں۔ RAG chunk size والی پوسٹ شائع شدہ نتائج جمع کرتی ہے۔

### کیا overlap سے انڈیکس بڑا ہوتا ہے؟

ہاں۔ overlap والا متن ایک سے زیادہ بار محفوظ اور embed ہوتا ہے، اس لیے انڈیکس کا سائز اور embedding کی لاگت overlap کے حصے کے ساتھ بڑھتی ہے۔

### کیریکٹرز سے chunk کروں یا ٹوکنز سے؟

ٹوکن پر مبنی سائز وہی گنتے ہیں جو embedding ماڈل اور LLM اصل میں گنتے ہیں۔ کیریکٹر والے سائز سادہ ہیں، لیکن اتنے ہی کیریکٹرز مختلف زبانوں میں، عربی سمیت، بہت مختلف تعداد کے ٹوکن ہو سکتے ہیں۔

## یہ بھی دیکھیں

-   [RAG (retrieval-augmented generation)](https://broadrouter.com/ur/glossary/rag/) (اصطلاح)
-   [ایمبیڈنگز (embeddings)](https://broadrouter.com/ur/glossary/embeddings/) (اصطلاح)
-   [ویکٹر ڈیٹابیس (vector database)](https://broadrouter.com/ur/glossary/vector-database/) (اصطلاح)
-   [ہائبرڈ سرچ (hybrid search)](https://broadrouter.com/ur/glossary/hybrid-search/) (اصطلاح)
-   [ری رینکنگ (reranking)](https://broadrouter.com/ur/glossary/reranking/) (اصطلاح)
-   [کانٹیکسٹ ونڈو (context window)](https://broadrouter.com/ur/glossary/context-window/) (اصطلاح)
-   [OpenAILike کے ذریعے BroadNet Inference کے ساتھ LlamaIndex](https://broadrouter.com/ur/guides/llamaindex-openailike/) (گائیڈ)
-   [BroadNet Inference کے ساتھ LangChain استعمال کریں](https://broadrouter.com/ur/guides/langchain-openai-base-url/) (گائیڈ)
-   [RAG چنک سائز اور اوورلیپ: بازیافت اور لاگت پر ان کا اثر](https://broadrouter.com/ur/blog/rag-chunk-size-overlap/) (مضمون)
-   [عربی RAG: normalisation، chunking اور retrieval جو واقعی کام کرے](https://broadrouter.com/ur/blog/arabic-rag-search/) (مضمون)
-   [لانگ کانٹیکسٹ بمقابلہ RAG: کب 1M ٹوکن ویکٹر DB کی جگہ لیتے ہیں](https://broadrouter.com/ur/blog/long-context-vs-rag/) (مضمون)

اسے اپنے اصل کام پر آزمائیں۔ نئے اکاؤنٹس Gemma اور ٹرانسکرپشن کے لیے US$5 کے کریڈٹ سے شروع ہوتے ہیں۔ DeepSeek، GLM، اور Qwen3.8 کے لیے ٹاپ اپ ضروری ہے۔

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

**ذرائع**

-   [LangChain دستاویزات، text splitters (جانچ: 2026-11-15)](https://docs.langchain.com/oss/python/integrations/splitters)
-   [LlamaIndex دستاویزات، node parser usage pattern (SentenceSplitter) (جانچ: 2026-11-15)](https://developers.llamaindex.ai/python/framework/module_guides/loading/node_parsers/)
