文档太长模型“吃不下”？试试这15种Chunking策略，轻松搞定RAG！

显示全部楼层

1、RAG系统也能“切块”？15种Chunking技巧让你的检索生成更聪明！

你知道吗？在构建一个强大的RAG（Retrieval-Augmented Generation）系统时，决定其“聪明程度”的，可能不是模型本身，而是——你怎么“切块”你的文档。

在NLP领域，RAG系统已经成为处理复杂问答、文档摘要、知识库检索等任务的利器。但面对动辄上万字的文档，如何在不丢失上下文的前提下，把它们“切”成模型能消化的“小块”，就成了关键。

今天这篇文章，我们就来系统聊聊：15种Chunking技巧，帮你打造一个既快又准的RAG系统。无论你是做问答系统、文档检索，还是构建企业知识库，这篇文章都值得你收藏。

01｜什么是Chunking？为什么它这么重要？

在RAG系统中，Chunking（切块）指的是：把大文档拆分成小块，以便模型更好地理解和检索信息。

你可能会问：为什么不能直接把整篇文档丢给模型？原因很简单：

大模型有token限制（比如GPT-4最多支持8K tokens）；
文档太长，模型容易“看漏”关键信息；
不切块，检索系统很难精准定位答案。

所以，Chunking不是简单的“切”，而是要在“保留上下文”和“适配模型能力”之间找到平衡。

02｜Chunking的三大核心考量

在正式介绍15种技巧之前，我们先来理解Chunking的三个关键因素：

1. 块的大小（Chunk Size）

太大：容易超token限制，检索慢；
太小：上下文丢失，生成质量差；
建议：根据模型token上限，控制在100~500 tokens之间。

2. 上下文保留（Context Preservation）

切块不能“断句断意”，否则模型会“看不懂”；
使用滑动窗口、语义切块等方式，能有效保留上下文。

3. 多模态处理（Modality Handling）

文档中可能包含表格、图片、代码块；
不同内容类型需要不同的切块策略。

03｜15种Chunking技巧全解析（附代码）

接下来，我们进入正题：15种Chunking技巧，每种都配有使用场景、优缺点和代码示例，建议收藏！

1. 固定大小切块（Fixed-Size Chunking）

原理：按固定词数或token数切分。

适用场景：结构简单的小文档。

优点：实现简单，速度快。

缺点：可能切断句子，丢失语义。

deffixed_size_chunk(text, max_words=100):
  words = text.split()
 return[' '.join(words[i:i + max_words])foriinrange(0, len(words), max_words)]

2. 句子切块（Sentence-Based Chunking）

原理：按句子边界切分。

适用场景：需要保留语义完整性的文档。

优点：语义清晰，上下文连贯。

缺点：句子长度不一，chunk大小不稳定。

importspacy
nlp = spacy.load("en_core_web_sm")

defsentence_chunk(text):
  doc = nlp(text)
 return[sent.textforsentindoc.sents]

3. 段落切块（Paragraph-Based Chunking）

原理：按段落切分。

适用场景：结构清晰的文档，如论文、报告。

优点：自然分段，语义完整。

缺点：段落长度不一，可能超token限制。

defparagraph_chunk(text):
 returntext.split('\n\n')

4. 语义切块（Semantic Chunking）

原理：基于语义相似度进行切块。

适用场景：技术文档、复杂文本。

优点：上下文保留好。

缺点：实现复杂，需依赖模型。

defsemantic_chunk(text, max_len=200):
  doc = nlp(text)
  chunks = []
  current_chunk = []
 forsentindoc.sents:
    current_chunk.append(sent.text)
   iflen(' '.join(current_chunk)) > max_len:
      chunks.append(' '.join(current_chunk))
      current_chunk = []
 ifcurrent_chunk:
    chunks.append(' '.join(current_chunk))
 returnchunks

5. 模态感知切块（Modality-Specific Chunking）

原理：文本、表格、图片分别处理。

适用场景：PDF、技术手册等混合内容文档。

优点：保留多种模态信息。

缺点：实现复杂。

defmodality_chunk(text, images=None, tables=None):
  text_chunks = paragraph_chunk(text)
 return{'text_chunks': text_chunks,'images': images,'tables': tables}

6. 滑动窗口切块（Sliding Window Chunking）

原理：相邻chunk之间有重叠。

适用场景：法律、学术文档。

优点：上下文连贯。

缺点：内容重复，处理量大。

defsliding_window_chunk(text, chunk_size=100, overlap=20):
  tokens = text.split()
  chunks = []
 foriinrange(0, len(tokens), chunk_size - overlap):
    chunk =' '.join(tokens[i:i + chunk_size])
    chunks.append(chunk)
 returnchunks

7. 层级切块（Hierarchical Chunking）

原理：按章节、段落、子段落分层切块。

适用场景：结构化文档，如论文、合同。

优点：保留文档结构。

缺点：实现复杂。

defhierarchical_chunk(text, section_keywords):
  sections = []
  current_section = []
 forlineintext.splitlines():
   ifany(keywordinlineforkeywordinsection_keywords):
     ifcurrent_section:
        sections.append("\n".join(current_section))
      current_section = [line]
   else:
      current_section.append(line)
 ifcurrent_section:
    sections.append("\n".join(current_section))
 returnsections

8. 内容感知切块（Content-Aware Chunking）

原理：根据内容特征动态调整切块策略。

适用场景：电子书、技术文档。

优点：灵活适应不同内容。

缺点：逻辑复杂。

defcontent_aware_chunk(text):
  chunks = []
  current_chunk = []
 forlineintext.splitlines():
   ifline.startswith(('##','###','Introduction','Conclusion')):
     ifcurrent_chunk:
        chunks.append('\n'.join(current_chunk))
      current_chunk = [line]
   else:
      current_chunk.append(line)
 ifcurrent_chunk:
    chunks.append('\n'.join(current_chunk))
 returnchunks

9. 表格感知切块（Table-Aware Chunking）

原理：将表格独立切块。

适用场景：财务报表、技术文档。

优点：保留表格结构。

缺点：格式可能丢失。

importpandasaspd

deftable_aware_chunk(table):
 returntable.to_markdown()

10. Token级切块（Token-Based Chunking）

原理：按token数切块，适配Transformer模型。

适用场景：GPT、BERT等模型。

优点：适配模型限制。

缺点：可能切断句子。

fromtransformersimportGPT2Tokenizer

tokenizer = GPT2Tokenizer.from_pretrained("gpt2")

deftoken_based_chunk(text, max_tokens=200):
  tokens = tokenizer(text)["input_ids"]
  chunks = [tokens[i:i + max_tokens]foriinrange(0, len(tokens), max_tokens)]
 return[tokenizer.decode(chunk)forchunkinchunks]

11. 实体感知切块（Entity-Based Chunking）

原理：基于NER识别实体进行切块。

适用场景：简历、合同、法律文档。

优点：保留实体信息。

缺点：需训练NER模型。

defentity_based_chunk(text):
  doc = nlp(text)
 return[ent.textforentindoc.ents]

12. 主题切块（Topic-Based Chunking）

原理：使用LDA等主题模型进行切块。

适用场景：新闻、研究论文等多主题文档。

优点：按主题聚合信息。

缺点：需额外建模。

fromsklearn.feature_extraction.textimportCountVectorizer
fromsklearn.decompositionimportLatentDirichletAllocation

deftopic_based_chunk(text, num_topics=3):
  sentences = text.split('. ')
  vectorizer = CountVectorizer()
  sentence_vectors = vectorizer.fit_transform(sentences)
  lda = LatentDirichletAllocation(n_components=num_topics, random_state=42)
  lda.fit(sentence_vectors)
 # 省略主题分配逻辑
 returnsentences

13. 页面切块（Page-Based Chunking）

原理：按PDF页面切块。

适用场景：PDF文档。

优点：实现简单。

缺点：可能断句。

defpage_based_chunk(pages):
 returnpages

14. 关键词切块（Keyword-Based Chunking）

原理：按关键词切分。

适用场景：结构清晰的文档。

优点：符合文档结构。

缺点：需预定义关键词。

defkeyword_based_chunk(text, keywords):
  chunks = []
  current_chunk = []
 forlineintext.splitlines():
   ifany(keywordinlineforkeywordinkeywords):
     ifcurrent_chunk:
        chunks.append('\n'.join(current_chunk))
      current_chunk = [line]
   else:
      current_chunk.append(line)
 ifcurrent_chunk:
    chunks.append('\n'.join(current_chunk))
 returnchunks

15. 混合切块（Hybrid Chunking）

原理：结合多种策略。

适用场景：复杂文档。

优点：灵活强大。

缺点：实现复杂。

defhybrid_chunk(text):
  paragraphs = paragraph_chunk(text)
  hybrid_chunks = []
 forparagraphinparagraphs:
    hybrid_chunks += sentence_chunk(paragraph)
 returnhybrid_chunks

04｜不同场景下如何选择Chunking策略？

场景类型	推荐策略
FAQ、客服系统	句子切块、关键词切块
学术论文	层级切块、语义切块
技术文档	表格感知切块、内容感知切块
多模态文档	模态感知切块、混合切块
法律文档	滑动窗口切块、实体感知切块

05｜结语：Chunking不是“切”，是“设计”

Chunking不是简单的“把文档切碎”，而是一种信息架构设计。不同的切块策略，直接决定了RAG系统的检索精度、生成质量和响应速度。

希望这篇文章能帮你找到最适合你业务的Chunking策略。如果你正在构建RAG系统，不妨从这些小技巧开始，逐步优化你的文档处理流程。