最近在做一个内部知识库的RAG问答，文档主要是PDF和Word，按固定500字切分的，重叠100字。但实际跑起来发现检索top5里经常有3-4条是同一段内容的碎片，拼起来反而是重复的，导致给LLM的上下文很冗余。也试过按段落切，但表格和标题会断掉。想问问大家一般怎么处理这种切分粒度的问题？是不是该上语义切分或者加个去重逻辑？有点迷茫，求指点。