RAG检索不准？99%的人都忽略了这一步！

显示全部楼层

今天我们要聊一个让RAG（检索增强生成）系统“脱胎换骨”的秘密武器——语义切分（Semantic Chunking）。别急，听起来高大上，其实它的本质就是：如何把一大坨文本，切成AI最爱吃的“小块”，让它检索起来又快又准。

你是不是也遇到过这种尴尬：明明知识库里啥都有，AI一问三不知，检索出来的内容不是驴唇不对马嘴，就是答非所问？别怀疑，问题很可能就出在“切块”这一步！

今天，我就带你从头到尾，手把手撸一遍语义切分的全流程，让你的RAG系统从“东拼西凑”进化到“对答如流”！

一、为什么要语义切分？定长切分的“原罪”

传统的文本切分方法，最常见的就是定长切分：比如每隔500个字符、100个词，或者10句话就切一刀。听起来很科学，实际上很“机械”——

优点：实现简单，代码一行搞定。
缺点：完全不懂内容，可能把一个完整的知识点切成两半，或者把风马牛不相及的内容拼在一起。

举个栗子：

❝
“小明喜欢吃苹果。他每天早上都吃一个。苹果富含维生素C。深度学习是一种人工智能方法。”

你看，前面三句聊的是苹果，最后一句突然AI上身。定长切分可能把“苹果”和“深度学习”硬塞一块，AI检索时一脸懵逼：你到底问的是水果还是算法？

所以，定长切分的“原罪”就是——不懂内容！

二、语义切分：让AI“按内容分块”，检索更聪明

语义切分，顾名思义，就是根据内容的“相似度”来切块。它的核心思想是：

相似的句子放一起，不相似的分开
每个块尽量语义连贯，便于AI理解和检索

这样，AI在检索时，拿到的都是“主题明确”的内容块，回答自然更靠谱！

三、语义切分的三大“分刀法”

要实现语义切分，关键是找到“切点”。怎么找？主流有三种方法，都是基于“相邻句子的相似度”：

1. 百分位法（Percentile）

算法思路：统计所有相邻句子的相似度差，找到“掉得最狠”的那一批（比如前10%），在这些地方切块。
适用场景：文本风格多变、主题跳跃明显时，效果拔群。

2. 标准差法（Standard Deviation）

算法思路：计算相似度的均值和标准差，凡是低于“均值-若干个标准差”的地方，都是“语义断层”，果断切！
适用场景：文本整体较为均匀，但偶有“断崖式”跳变。

3. 四分位法（IQR）

算法思路：用统计学里的IQR（Q3-Q1），找出那些“极端低”的相似度点，作为切分点。
适用场景：数据分布偏态、异常值多时，IQR法更稳健。

一句话总结：都是在找“语义跳变”的地方下刀！

四、撸代码：从PDF到语义切分，步步为营

1. PDF文本提取

首先，得有“原材料”。假设你有一本AI教材的PDF，咱用PyMuPDF一把梭：

importfitz

defextract_text_from_pdf(pdf_path):
  mypdf = fitz.open(pdf_path)
  all_text =""
 forpageinmypdf:
    all_text += page.get_text("text") +" "
 returnall_text.strip()

pdf_path ="data/AI_Information.pdf"
extracted_text = extract_text_from_pdf(pdf_path)
print(extracted_text[:500]) # 预览前500字符

2. 句子切分 & 句向量生成

有了文本，下一步就是“分句”，然后用大模型（比如OpenAI、BAAI/bge等）生成每句话的向量（embedding）：

fromopenaiimportOpenAI
importnumpyasnp
importos

client = OpenAI(
  base_url="https://api.studio.nebius.com/v1/",
  api_key=os.getenv("OPENAI_API_KEY")
)

defget_embedding(text, model="BAAI/bge-en-icl"):
  response = client.embeddings.create(model=model, input=text)
 returnnp.array(response.data[0].embedding)

sentences = extracted_text.split(". ")
embeddings = [get_embedding(sentence)forsentenceinsentences]
print(f"Generated{len(embeddings)}sentence embeddings.")

3. 计算相邻句子的相似度

用余弦相似度衡量每对相邻句子的“亲密度”：

defcosine_similarity(vec1, vec2):
 returnnp.dot(vec1, vec2) / (np.linalg.norm(vec1) * np.linalg.norm(vec2))

similarities = [cosine_similarity(embeddings[i], embeddings[i +1])foriinrange(len(embeddings) -1)]

4. 找“切点”：以百分位法为例

defcompute_breakpoints(similarities, method="percentile", threshold=90):
 ifmethod =="percentile":
    threshold_value = np.percentile(similarities, threshold)
 # ... 省略其他方法
 return[ifori, siminenumerate(similarities)ifsim < threshold_value]

breakpoints = compute_breakpoints(similarities, method="percentile", threshold=90)

5. 真正“切块”

defsplit_into_chunks(sentences, breakpoints):
  chunks = []
  start =0
 forbpinbreakpoints:
    chunks.append(". ".join(sentences[start:bp +1]) +".")
    start = bp +1
  chunks.append(". ".join(sentences[start:]))
 returnchunks

text_chunks = split_into_chunks(sentences, breakpoints)
print(f"Number of semantic chunks:{len(text_chunks)}")
print("\nFirst text chunk:\n", text_chunks[0])

6. 块级向量 & 语义检索

每个块再生成一个embedding，检索时直接比对块向量：

defcreate_embeddings(text_chunks):
 return[get_embedding(chunk)forchunkintext_chunks]

chunk_embeddings = create_embeddings(text_chunks)

defsemantic_search(query, text_chunks, chunk_embeddings, k=5):
  query_embedding = get_embedding(query)
  similarities = [cosine_similarity(query_embedding, emb)forembinchunk_embeddings]
  top_indices = np.argsort(similarities)[-k:][::-1]
 return[text_chunks[i]foriintop_indices]

五、实战演练：让AI“只答上下文有的内容”

假设你有如下问题：

❝
“什么是可解释AI（Explainable AI），为什么它很重要？”

用上面的方法，检索出来的块内容大致如下：

Context 1:
Explainable AI (XAI) aims to make AI systems more transparent and understandable. ResearchinXAI focuses on developing methodsforexplaining AI decisions, enhancing trust, and improving accountability.
========================================
Context 2:
Transparency and explainability are essentialforbuilding trustinAI systems. Explainable AI (XAI) techniques aim to make AI decisions more understandable, enabling users to assess their fairness and accuracy.
========================================

然后，用大模型生成答案，并且严格要求只根据检索到的内容作答：

system_prompt ="You are an AI assistant that strictly answers based on the given context. If the answer cannot be derived directly from the provided context, respond with: 'I do not have enough information to answer that.'"

user_prompt ="\n".join([f"Context{i +1}:\n{chunk}\n=====================================\n"fori, chunkinenumerate(top_chunks)])
user_prompt =f"{user_prompt}\nQuestion:{query}"

ai_response = generate_response(system_prompt, user_prompt)
print(ai_response.choices[0].message.content)

六、自动评测：让AI自己打分，闭环优化

最后，别忘了用AI自动评测答案质量，闭环优化：

evaluate_system_prompt ="You are an intelligent evaluation system tasked with assessing the AI assistant's responses. If the AI assistant's response is very close to the true response, assign a score of 1. If the response is incorrect or unsatisfactory in relation to the true response, assign a score of 0. If the response is partially aligned with the true response, assign a score of 0.5."

evaluation_prompt =f"User Query:{query}\nAI Response:\n{ai_response.choices[0].message.content}\nTrue Response:{data[0]['ideal_answer']}\n{evaluate_system_prompt}"

evaluation_response = generate_response(evaluate_system_prompt, evaluation_prompt)
print(evaluation_response.choices[0].message.content)

七、语义切分的“隐藏价值”：让RAG系统更像“懂王”

检索更精准：每个块语义连贯，AI不再“东拉西扯”。
上下文更相关：减少无关内容混入，提升答案质量。
可扩展性强：新文档、新领域，通用性极高。
自动化闭环：配合自动评测，持续优化切分策略。

八、实战Tips & 踩坑指南

句子切分要靠谱：英文可以用.split(". ")，中文建议用snownlp、jieba等分句工具，别让AI“断句失误”。
embedding模型选得好，检索效率高：推荐bge、text-embedding-ada-002等主流模型。
切分阈值要调优：不同文档风格，阈值要动态调整，多试几次，效果肉眼可见。
块太大太小都不好：太大检索不准，太小上下文不全。建议每块200-500字，视场景微调。
自动评测不是万能：AI评测有时会“自嗨”，建议人工spot check辅助。

九、总结：让你的RAG系统“聪明又懂你”

语义切分，说白了就是让AI“按内容分块”，而不是“按长度分尸”。它是RAG系统“检索-生成”闭环的关键一环，直接决定了AI的“知识召回率”和“答题准确率”。

一句话，想让你的AI像“懂王”一样，问啥都能答到点子上？先把语义切分练到极致！