BEGRIFF· 30.01.2026
Content Chunking
Content Chunking meint zwei verschiedene Dinge: gute Absätze für Leser und saubere Textstücke für RAG-Systeme. Wie beides zusammenhängt.
Zwei Praktiken, ein Name
Content Chunking ist die Zerlegung eines Textes in abgeschlossene Sinneinheiten. Dahinter stecken zwei ziemlich unterschiedliche Praktiken, die zufällig denselben Namen tragen: die klassische Gliederung in Absätze, Zwischenüberschriften und Listen für Leser, und die technische Zerlegung eines Dokuments für eine Vektordatenbank.
Die Grundidee ist dieselbe, kleine Häppchen statt eines langen Blocks. Die Probleme sind es nicht. Wer beides vermischt, optimiert am Ende für keine der Zielgruppen richtig, und genau das passiert oft: Ein Text wird für Leser formatiert und dann als "GEO-optimiert" verkauft, obwohl nie ein Chunk in einer Vektordatenbank gelandet ist.
Chunking für Leser
Ein Absatz mit 300 Wörtern ohne Umbruch zwingt den Leser, den ganzen Gedanken im Kopf zu behalten. Auf dem Smartphone, wo die meisten Blogartikel gelesen werden, füllt derselbe Absatz oft den kompletten Bildschirm. Vier Regeln reichen dagegen:
- Ein Absatz, ein Gedanke. Wechselt das Thema, beginnt ein neuer.
- Drei oder mehr gleichrangige Punkte gehören in eine Liste.
- Zwischenüberschriften sagen, was als Nächstes kommt. "Tipps" sagt nichts, "Drei Regeln für kürzere Absätze" schon.
- Auf dem Smartphone drei bis fünf Zeilen pro Absatz, alles darüber wirkt wie eine Wand.
Ob die eigene Struktur trägt, lässt sich testen. Lies den Text laut und frag nach jedem Absatz, ob der Gedanke fertig ist. Stockst du beim Lesen, stockt später auch der Leser.
Chunking für Maschinen
Die zweite Bedeutung kommt aus Retrieval Augmented Generation. Ein Modell liest bei einer Anfrage nicht deine ganze Website, sondern bekommt nur die Textstücke serviert, die eine Ähnlichkeitssuche als relevant markiert hat. Dafür muss dein Text vorher zerlegt in einer Vektordatenbank liegen. Wie viel davon im Modell ankommt, hängt an Tokens.
Fixed-Size-Chunking schneidet stur nach fester Länge, etwa alle 512 Tokens. Endet ein Satz erst bei Token 530, wird er mitten im Wort gekappt. Das ist der Standardfehler in schnell zusammengebauten RAG-Pipelines und erklärt, warum ein Chatbot eine Frage falsch beantwortet, obwohl die richtige Information auf der Website steht.
Semantisches Chunking trennt stattdessen an Satz-, Absatz- oder Themengrenzen. Ein guter Chunk beantwortet eine einzelne, konkrete Frage vollständig. Ist er zu lang, verwässert die Antwort zwischen Nebensächlichem, ist er zu kurz, fehlt der Bezug.
Weil selbst saubere Schnitte einen Bezug auseinanderreißen können, etwa wenn ein Pronomen auf ein Substantiv im vorherigen Chunk zeigt, arbeiten die meisten Pipelines mit 10 bis 20 Prozent Überlapp. Der letzte Satz eines Chunks taucht dann im nächsten noch einmal auf.
Wie du das prüfst
Für die Leserseite hilft ein Selbsttest: Text in ein Sprachmodell werfen und nach den drei Kernaussagen fragen. Kommt eine vage Antwort zurück, war die Struktur unsauber. Für die technische Seite lass denselben Text in semantische Chunks zerlegen und unlogische Trennungen benennen. Das ersetzt keine echte Pipeline, zeigt aber schnell, wo ein Absatz zwei Themen vermischt.
Wie viel Gewicht ein Chunk in der Antwort behält, entscheidet sich danach im Context Engineering. Für Unternehmen, die ihre Content-Marketing-Strategie überarbeiten, gehören inzwischen beide Chunking-Formen zur Grundausstattung.
Zurück zum AI und Automation Glossar.
FAQ
- Ist Content Chunking dasselbe wie ein SEO-Absatz?
- Nicht ganz. Kurze, klar gegliederte Absätze sind die menschliche Hälfte von Chunking, und die gab es schon vor RAG-Systemen. Die zweite Hälfte ist technisch: die Zerlegung desselben Textes in Stücke, die eine Vektordatenbank speichert und ein KI-System später abruft. Ein Text kann für Leser gut strukturiert und für eine Vektordatenbank trotzdem schlecht geschnitten sein, deshalb lohnt es sich, beide Seiten getrennt zu prüfen.
- Wie groß sollte ein Chunk für eine Vektordatenbank sein?
- Es gibt keine feste Zahl, die für jeden Anwendungsfall passt. Als Faustregel gilt: lieber etwas kürzer als zu lang, weil sich ein zu kurzer Chunk mit zusätzlichem Kontext beim Retrieval ausgleichen lässt, ein zu langer Chunk mit verwässerter Information dagegen nicht. Ein guter Chunk beantwortet idealerweise eine einzelne, konkrete Frage vollständig, nicht mehr und nicht weniger.
- Warum reißt Fixed-Size-Chunking den Sinn eines Textes auseinander?
- Weil es nach einer starren Länge schneidet, zum Beispiel alle 512 Tokens, unabhängig davon, ob gerade ein Satz oder ein Gedanke zu Ende ist. Endet ein Satz erst kurz nach der Grenze, wird er mitten im Wort gekappt, und der Kontext des angeschnittenen Chunks geht verloren. Semantisches Chunking vermeidet das, weil es an Satz-, Absatz- oder Themengrenzen trennt statt nach Zeichenzahl.
