收藏小白程序员必看详解7种RAG分块策略轻松提升大模型检索效果本文深入解析了RAG系统中7种主流分块策略包括固定大小、语义、递归、文档结构、智能体、句子和段落分块。强调了分块策略对检索增强生成RAG性能的关键作用建议初学者从512 tokens搭配10-15%重叠率开始并通过递归和句子分块进行优化。文章指出不同文档类型需采用不同策略没有万能方案需根据业务场景调整参数以提高检索精度和召回率。一、引言为什么同样是做 RAG有的效果拔群有的却差强人意分块Chunking策略可能是那个被你忽略的关键环节。什么是ChunkAI中的分块是指将大型文档分割成称为“chunk”的较小片段。这些片段可以是段落、句子、词组或受token限制的片段这使得模型能更轻松地仅搜索和检索所需内容。这种分块技术对于优化检索增强生成RAG的性能至关重要。为什么在RAG中需要Chunk在RAG中检索到正确的信息是关键但当知识库非常庞大可能包含数百万字或文档时使用有效的RAG分块技术对于从这类大型数据集中高效检索相关信息就变得至关重要了。举个例子你有一个服务QPS达到千万级还要在30ms内返回结果这时一定会搞一组本地缓存的集群。把你的数据按规则初始化到缓存里就是对应的RAG的Chunk操作。Chunk也是RAG ETL Pipeline中Transform环节的核心组件之一可以比喻成我们切蛋糕在切之前就已经想好要分几块了。让我看看“切蛋糕”有几种手法。二、主流RAG的分块策略详解2.1.固定大小分块策略核心思想根据预定义的字符数或 token 数将文本分成统一的块。工作方式例如固定每块 500 tokens。引入 “重叠区”Overlap来缓解上下文断裂问题。优点实现简单处理速度快不依赖复杂模型。缺点可能破坏语义完整性如拆分句子或段落对结构差异大的文档适应性差。2.2.语义分块策略核心思想根据文本的语义相似度而非物理结构进行分块确保每个 Chunk 内部主题高度相关。工作方式通常通过计算句子 Embedding 的余弦相似度当相似度低于某个阈值时进行分割。优点能创建逻辑上最连贯的 Chunk对后续检索和生成质量提升显著。特别适用于处理主题跳跃较多的文档。缺点计算成本高需要调用 Embedding 模型处理速度较慢。2.3.基于递归分块策略核心思想一种更智能的组合式策略按优先级顺序尝试多种分隔符进行递归分割。工作方式例如优先按段落分割如果段落仍过大再按句子分割最后才按字符数强制分割。优点尽可能保留高级别的语义结构段落 句子 …适应性强能处理多种类型文档。缺点实现稍复杂性能开销高于纯固定大小分块。2.4.基于文档的分块策略核心思想利用文档本身的元数据和结构信息如标题层级、表格、图片说明、PDF 页码等进行智能分割。工作方式例如将一个一级标题下的所有内容包括子标题和段落作为一个大 Chunk或者将每个表格单独作为一个 Chunk。优点完美贴合特定类型文档如法律合同、学术论文、报告的逻辑结构信息组织性强。缺点依赖高质量的文档解析和结构识别通用性相对较弱。2.5.智能体分块策略核心思想这是一种更前沿的动态策略根据 Agent 将要执行的具体任务或目标来决定如何分块。工作方式Agent 会先理解任务然后自适应地从文档中提取和组织最相关的信息块。例如任务是 “总结”则可能提取关键论点任务是 “回答特定问题”则可能精准定位相关证据。优点灵活性和针对性极高能最大化任务效果。缺点实现复杂通常需要强大的规划和推理能力目前还不普及。2.6.基于句子的分块策略核心思想将文本分割成完整的句子确保每个 Chunk 都包含一个或多个完整的思想。工作方式使用 NLP 工具如 NLTK, SpaCy识别句子边界然后可以将几个连续的句子组合成一个 Chunk。优点保证了基本的语义单元完整避免了 “半句话” 的问题。缺点句子长度差异仍可能导致 Chunk 大小不均多个句子组合时如何确定最佳组合仍需策略。2.7.基于段落的分块策略核心思想基于段落的分块通过提示符截取将整个文本划分成多个段落。这种方式同样适合结构清晰的文档。工作方式例如保险条款、法律、论文、AB实验报告等文档。优点优点自然分段语义完整。缺点缺点自然是段落长度不一可能超token限制。其他除以上7种外还有很多大神们总结的切块方法论如按照token、按照层级按照excel sheet页按照pdf页码等。都是针对特定场景。下面我结合实战和中文的切块的方法论做一下总结。三、分块策略的选择与实战优化3.1. 没有“万能”的分块策略现实中不存在一种“one-for-all” 的数据读取和分块方法特别像是 PDF 和 Word 这类复杂格式的文档。比较流行的方案是实用DeepDocOCR、TSR、DLR所以实际中应根据业务制作不同的模板。那么评估Chunk的参数和指标有哪些呢 指标就是Precision和Recall详细看表格****Chunk参数与指标我设计了两套策略512/10%和2500/25 单位token3.2.Chunk策略的选择我的方法论段落分块Paragraph Chunking句子分块Semantic Chunking递归分块Recursive Chunking语义分块Semantic Chunking。现在的RAG框架基本都是基于段落或句子来分块也都都支持\n。的递归分块。那从运营用户角度出发或者第一次切的时候如何傻瓜式操作呢RAGFlow交出了一份方案看一下它的分块核心算法四、方法论总结如何开始可以从512 tokens 搭配 10-15%的重叠率开始。如何优化调试参数多使用递归分块和句子分块语义分块还是不够优秀。如何测评上号 chunking_evaluation有和方法论 上号 CRUD-RAG 论文指出对于创意生成和保持文章连贯性的任务切分较大的块表现会更佳。我们在RAGas实验也得到了相同的答案。好了以上是我们的实践总结希望能帮到大家。最后近期科技圈传来重磅消息行业巨头英特尔宣布大规模裁员2万人传统技术岗位持续萎缩的同时另一番景象却在AI领域上演——AI相关技术岗正开启“疯狂扩招”模式据行业招聘数据显示具备3-5年大模型相关经验的开发者在大厂就能拿到50K×20薪的高薪待遇薪资差距肉眼可见业内资深HR预判不出1年“具备AI项目实战经验”将正式成为技术岗投递的硬性门槛。在行业迭代加速的当下“温水煮青蛙”式的等待只会让自己逐渐被淘汰与其被动应对不如主动出击抢先掌握AI大模型核心原理落地应用技术项目实操经验借行业风口实现职业翻盘深知技术人入门大模型时容易走弯路我特意整理了一套全网最全最细的大模型零基础学习礼包涵盖入门思维导图、经典书籍手册、从入门到进阶的实战视频、可直接运行的项目源码等核心内容。这份资料无需付费免费分享给所有想入局AI大模型的朋友扫码免费领取全部内容部分资料展示1、 AI大模型学习路线图2、 全套AI大模型应用开发视频教程从入门到进阶这里都有跟着老师学习事半功倍。3、 大模型学习书籍文档4、AI大模型最新行业报告2025最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。5、大模型大厂面试真题整理了百度、阿里、字节等企业近三年的AI大模型岗位面试题涵盖基础理论、技术实操、项目经验等维度每道题都配有详细解析和答题思路帮你针对性提升面试竞争力。6、大模型项目实战配套源码学以致用在项目实战中检验和巩固你所学到的知识同时为你找工作就业和职业发展打下坚实的基础。学会后的收获• 基于大模型全栈工程实现前端、后端、产品经理、设计、数据分析等通过这门课可获得不同能力• 能够利用大模型解决相关实际项目需求 大数据时代越来越多的企业和机构需要处理海量数据利用大模型技术可以更好地处理这些数据提高数据分析和决策的准确性。因此掌握大模型应用开发技能可以让程序员更好地应对实际项目需求• 基于大模型和企业数据AI应用开发实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能 学会Fine-tuning垂直训练大模型数据准备、数据蒸馏、大模型部署一站式掌握• 能够完成时下热门大模型垂直领域模型训练能力提高程序员的编码能力 大模型应用开发需要掌握机器学习算法、深度学习框架等技术这些技术的掌握可以提高程序员的编码能力和分析能力让程序员更加熟练地编写高质量的代码。扫码免费领取全部内容这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
收藏！小白程序员必看：详解7种RAG分块策略，轻松提升大模型检索效果
收藏小白程序员必看详解7种RAG分块策略轻松提升大模型检索效果本文深入解析了RAG系统中7种主流分块策略包括固定大小、语义、递归、文档结构、智能体、句子和段落分块。强调了分块策略对检索增强生成RAG性能的关键作用建议初学者从512 tokens搭配10-15%重叠率开始并通过递归和句子分块进行优化。文章指出不同文档类型需采用不同策略没有万能方案需根据业务场景调整参数以提高检索精度和召回率。一、引言为什么同样是做 RAG有的效果拔群有的却差强人意分块Chunking策略可能是那个被你忽略的关键环节。什么是ChunkAI中的分块是指将大型文档分割成称为“chunk”的较小片段。这些片段可以是段落、句子、词组或受token限制的片段这使得模型能更轻松地仅搜索和检索所需内容。这种分块技术对于优化检索增强生成RAG的性能至关重要。为什么在RAG中需要Chunk在RAG中检索到正确的信息是关键但当知识库非常庞大可能包含数百万字或文档时使用有效的RAG分块技术对于从这类大型数据集中高效检索相关信息就变得至关重要了。举个例子你有一个服务QPS达到千万级还要在30ms内返回结果这时一定会搞一组本地缓存的集群。把你的数据按规则初始化到缓存里就是对应的RAG的Chunk操作。Chunk也是RAG ETL Pipeline中Transform环节的核心组件之一可以比喻成我们切蛋糕在切之前就已经想好要分几块了。让我看看“切蛋糕”有几种手法。二、主流RAG的分块策略详解2.1.固定大小分块策略核心思想根据预定义的字符数或 token 数将文本分成统一的块。工作方式例如固定每块 500 tokens。引入 “重叠区”Overlap来缓解上下文断裂问题。优点实现简单处理速度快不依赖复杂模型。缺点可能破坏语义完整性如拆分句子或段落对结构差异大的文档适应性差。2.2.语义分块策略核心思想根据文本的语义相似度而非物理结构进行分块确保每个 Chunk 内部主题高度相关。工作方式通常通过计算句子 Embedding 的余弦相似度当相似度低于某个阈值时进行分割。优点能创建逻辑上最连贯的 Chunk对后续检索和生成质量提升显著。特别适用于处理主题跳跃较多的文档。缺点计算成本高需要调用 Embedding 模型处理速度较慢。2.3.基于递归分块策略核心思想一种更智能的组合式策略按优先级顺序尝试多种分隔符进行递归分割。工作方式例如优先按段落分割如果段落仍过大再按句子分割最后才按字符数强制分割。优点尽可能保留高级别的语义结构段落 句子 …适应性强能处理多种类型文档。缺点实现稍复杂性能开销高于纯固定大小分块。2.4.基于文档的分块策略核心思想利用文档本身的元数据和结构信息如标题层级、表格、图片说明、PDF 页码等进行智能分割。工作方式例如将一个一级标题下的所有内容包括子标题和段落作为一个大 Chunk或者将每个表格单独作为一个 Chunk。优点完美贴合特定类型文档如法律合同、学术论文、报告的逻辑结构信息组织性强。缺点依赖高质量的文档解析和结构识别通用性相对较弱。2.5.智能体分块策略核心思想这是一种更前沿的动态策略根据 Agent 将要执行的具体任务或目标来决定如何分块。工作方式Agent 会先理解任务然后自适应地从文档中提取和组织最相关的信息块。例如任务是 “总结”则可能提取关键论点任务是 “回答特定问题”则可能精准定位相关证据。优点灵活性和针对性极高能最大化任务效果。缺点实现复杂通常需要强大的规划和推理能力目前还不普及。2.6.基于句子的分块策略核心思想将文本分割成完整的句子确保每个 Chunk 都包含一个或多个完整的思想。工作方式使用 NLP 工具如 NLTK, SpaCy识别句子边界然后可以将几个连续的句子组合成一个 Chunk。优点保证了基本的语义单元完整避免了 “半句话” 的问题。缺点句子长度差异仍可能导致 Chunk 大小不均多个句子组合时如何确定最佳组合仍需策略。2.7.基于段落的分块策略核心思想基于段落的分块通过提示符截取将整个文本划分成多个段落。这种方式同样适合结构清晰的文档。工作方式例如保险条款、法律、论文、AB实验报告等文档。优点优点自然分段语义完整。缺点缺点自然是段落长度不一可能超token限制。其他除以上7种外还有很多大神们总结的切块方法论如按照token、按照层级按照excel sheet页按照pdf页码等。都是针对特定场景。下面我结合实战和中文的切块的方法论做一下总结。三、分块策略的选择与实战优化3.1. 没有“万能”的分块策略现实中不存在一种“one-for-all” 的数据读取和分块方法特别像是 PDF 和 Word 这类复杂格式的文档。比较流行的方案是实用DeepDocOCR、TSR、DLR所以实际中应根据业务制作不同的模板。那么评估Chunk的参数和指标有哪些呢 指标就是Precision和Recall详细看表格****Chunk参数与指标我设计了两套策略512/10%和2500/25 单位token3.2.Chunk策略的选择我的方法论段落分块Paragraph Chunking句子分块Semantic Chunking递归分块Recursive Chunking语义分块Semantic Chunking。现在的RAG框架基本都是基于段落或句子来分块也都都支持\n。的递归分块。那从运营用户角度出发或者第一次切的时候如何傻瓜式操作呢RAGFlow交出了一份方案看一下它的分块核心算法四、方法论总结如何开始可以从512 tokens 搭配 10-15%的重叠率开始。如何优化调试参数多使用递归分块和句子分块语义分块还是不够优秀。如何测评上号 chunking_evaluation有和方法论 上号 CRUD-RAG 论文指出对于创意生成和保持文章连贯性的任务切分较大的块表现会更佳。我们在RAGas实验也得到了相同的答案。好了以上是我们的实践总结希望能帮到大家。最后近期科技圈传来重磅消息行业巨头英特尔宣布大规模裁员2万人传统技术岗位持续萎缩的同时另一番景象却在AI领域上演——AI相关技术岗正开启“疯狂扩招”模式据行业招聘数据显示具备3-5年大模型相关经验的开发者在大厂就能拿到50K×20薪的高薪待遇薪资差距肉眼可见业内资深HR预判不出1年“具备AI项目实战经验”将正式成为技术岗投递的硬性门槛。在行业迭代加速的当下“温水煮青蛙”式的等待只会让自己逐渐被淘汰与其被动应对不如主动出击抢先掌握AI大模型核心原理落地应用技术项目实操经验借行业风口实现职业翻盘深知技术人入门大模型时容易走弯路我特意整理了一套全网最全最细的大模型零基础学习礼包涵盖入门思维导图、经典书籍手册、从入门到进阶的实战视频、可直接运行的项目源码等核心内容。这份资料无需付费免费分享给所有想入局AI大模型的朋友扫码免费领取全部内容部分资料展示1、 AI大模型学习路线图2、 全套AI大模型应用开发视频教程从入门到进阶这里都有跟着老师学习事半功倍。3、 大模型学习书籍文档4、AI大模型最新行业报告2025最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。5、大模型大厂面试真题整理了百度、阿里、字节等企业近三年的AI大模型岗位面试题涵盖基础理论、技术实操、项目经验等维度每道题都配有详细解析和答题思路帮你针对性提升面试竞争力。6、大模型项目实战配套源码学以致用在项目实战中检验和巩固你所学到的知识同时为你找工作就业和职业发展打下坚实的基础。学会后的收获• 基于大模型全栈工程实现前端、后端、产品经理、设计、数据分析等通过这门课可获得不同能力• 能够利用大模型解决相关实际项目需求 大数据时代越来越多的企业和机构需要处理海量数据利用大模型技术可以更好地处理这些数据提高数据分析和决策的准确性。因此掌握大模型应用开发技能可以让程序员更好地应对实际项目需求• 基于大模型和企业数据AI应用开发实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能 学会Fine-tuning垂直训练大模型数据准备、数据蒸馏、大模型部署一站式掌握• 能够完成时下热门大模型垂直领域模型训练能力提高程序员的编码能力 大模型应用开发需要掌握机器学习算法、深度学习框架等技术这些技术的掌握可以提高程序员的编码能力和分析能力让程序员更加熟练地编写高质量的代码。扫码免费领取全部内容这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
