回复
文档太长模型“吃不下”？试试这15种Chunking策略，轻松搞定RAG！ 原创 精华
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。
def fixed_size_chunk(text, max_words=100):
words = text.split()
return [' '.join(words[i:i + max_words]) for i in range(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。
import spacy
nlp = spacy.load("en_core_web_sm")
def sentence_chunk(text):
doc = nlp(text)
return [sent.text for sent in doc.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。
def paragraph_chunk(text):
return text.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。
def semantic_chunk(text, max_len=200):
doc = nlp(text)
chunks = []
current_chunk = []
for sent in doc.sents:
current_chunk.append(sent.text)
if len(' '.join(current_chunk)) > max_len:
chunks.append(' '.join(current_chunk))
current_chunk = []
if current_chunk:
chunks.append(' '.join(current_chunk))
return chunks5. 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。
def modality_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。
def sliding_window_chunk(text, chunk_size=100, overlap=20):
tokens = text.split()
chunks = []
for i in range(0, len(tokens), chunk_size - overlap):
chunk = ' '.join(tokens[i:i + chunk_size])
chunks.append(chunk)
return chunks7. 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。
def hierarchical_chunk(text, section_keywords):
sections = []
current_section = []
for line in text.splitlines():
if any(keyword in line for keyword in section_keywords):
if current_section:
sections.append("\n".join(current_section))
current_section = [line]
else:
current_section.append(line)
if current_section:
sections.append("\n".join(current_section))
return sections8. 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。
def content_aware_chunk(text):
chunks = []
current_chunk = []
for line in text.splitlines():
if line.startswith(('##', '###', 'Introduction', 'Conclusion')):
if current_chunk:
chunks.append('\n'.join(current_chunk))
current_chunk = [line]
else:
current_chunk.append(line)
if current_chunk:
chunks.append('\n'.join(current_chunk))
return chunks9. 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。
import pandas as pd
def table_aware_chunk(table):
return table.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。
from transformers import GPT2Tokenizer
tokenizer = GPT2Tokenizer.from_pretrained("gpt2")
def token_based_chunk(text, max_tokens=200):
tokens = tokenizer(text)["input_ids"]
chunks = [tokens[i:i + max_tokens] for i in range(0, len(tokens), max_tokens)]
return [tokenizer.decode(chunk) for chunk in chunks]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。
def entity_based_chunk(text):
doc = nlp(text)
return [ent.text for ent in doc.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。
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.decomposition import LatentDirichletAllocation
def topic_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
return sentences13. 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。
def page_based_chunk(pages):
return pages14. 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。
def keyword_based_chunk(text, keywords):
chunks = []
current_chunk = []
for line in text.splitlines():
if any(keyword in line for keyword in keywords):
if current_chunk:
chunks.append('\n'.join(current_chunk))
current_chunk = [line]
else:
current_chunk.append(line)
if current_chunk:
chunks.append('\n'.join(current_chunk))
return chunks15. 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。
def hybrid_chunk(text):
paragraphs = paragraph_chunk(text)
hybrid_chunks = []
for paragraph in paragraphs:
hybrid_chunks += sentence_chunk(paragraph)
return hybrid_chunks04｜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。
本文转载自Halo咯咯 作者：基咯咯
©著作权归作者所有，如需转载，请注明出处，否则将追究法律责任
已于2025-7-14 08:47:35修改
赞
收藏
回复
相关推荐
