松原市网站建设_网站建设公司_CSS_seo优化

文章详解了RAG系统中提升效果的关键环节——分块(Chunking)策略，系统介绍了固定大小、语义、递归、文档、智能体、句子和段落七种主流分块方法，分析其优缺点与应用场景。实践建议从512 tokens搭配10-15%重叠率起步，优先采用递归和句子分块，强调需根据业务需求选择策略，并通过Precision和Recall指标评估效果。

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Chunk？

AI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DeepDoc（OCR、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token）

3.2.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

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线科技企业深耕十二载，见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套AI 大模型突围资料包：

• ✅ 从零到一的 AI 学习路径图
• ✅ 大模型调优实战手册（附医疗/金融等大厂真实案例）
• ✅ 百度/阿里专家闭门录播课
• ✅ 大模型当下最新行业报告
• ✅ 真实大厂面试真题
• ✅ 2025 最新岗位需求图谱

所有资料 ⚡️ ，朋友们如果有需要《AI大模型入门+进阶学习资源包》，下方扫码获取~

① 全套AI大模型应用开发视频教程

（包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点）

② 大模型系统化学习路线

作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！

③ 大模型学习书籍&文档

学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。

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。

⑥ 大模型大厂面试真题

面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

以上资料如何领取？

为什么大家都在学大模型？

最近科技巨头英特尔宣布裁员2万人，传统岗位不断缩减，但AI相关技术岗疯狂扩招，有3-5年经验，大厂薪资就能给到50K*20薪！

不出1年，“有AI项目经验”将成为投递简历的门槛。

风口之下，与其像“温水煮青蛙”一样坐等被行业淘汰，不如先人一步，掌握AI大模型原理+应用技术+项目实操经验，“顺风”翻盘！

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。

以上全套大模型资料如何领取？