文檔太長(zhǎng)模型“吃不下”？試試這15種Chunking策略，輕松搞定RAG！ 原創(chuàng) 精華
RAG系統(tǒng)也能“切塊”？15種Chunking技巧讓你的檢索生成更聰明！
你知道嗎？在構(gòu)建一個(gè)強(qiáng)大的RAG（Retrieval-Augmented Generation）系統(tǒng)時(shí)，決定其“聰明程度”的，可能不是模型本身，而是——你怎么“切塊”你的文檔。
在NLP領(lǐng)域，RAG系統(tǒng)已經(jīng)成為處理復(fù)雜問答、文檔摘要、知識(shí)庫(kù)檢索等任務(wù)的利器。但面對(duì)動(dòng)輒上萬(wàn)字的文檔，如何在不丟失上下文的前提下，把它們“切”成模型能消化的“小塊”，就成了關(guān)鍵。
今天這篇文章，我們就來(lái)系統(tǒng)聊聊：15種Chunking技巧，幫你打造一個(gè)既快又準(zhǔn)的RAG系統(tǒng)。無(wú)論你是做問答系統(tǒng)、文檔檢索，還是構(gòu)建企業(yè)知識(shí)庫(kù)，這篇文章都值得你收藏。
01｜什么是Chunking？為什么它這么重要？
在RAG系統(tǒng)中，Chunking（切塊）指的是：把大文檔拆分成小塊，以便模型更好地理解和檢索信息。
你可能會(huì)問：為什么不能直接把整篇文檔丟給模型？原因很簡(jiǎn)單：
- 大模型有token限制（比如GPT-4最多支持8K tokens）；
- 文檔太長(zhǎng)，模型容易“看漏”關(guān)鍵信息；
- 不切塊，檢索系統(tǒng)很難精準(zhǔn)定位答案。
所以，Chunking不是簡(jiǎn)單的“切”，而是要在“保留上下文”和“適配模型能力”之間找到平衡。
02｜Chunking的三大核心考量
在正式介紹15種技巧之前，我們先來(lái)理解Chunking的三個(gè)關(guān)鍵因素：
1. 塊的大?。–hunk Size）
- 太大：容易超token限制，檢索慢；
- 太小：上下文丟失，生成質(zhì)量差；
- 建議：根據(jù)模型token上限，控制在100~500 tokens之間。
2. 上下文保留（Context Preservation）
- 切塊不能“斷句斷意”，否則模型會(huì)“看不懂”；
- 使用滑動(dòng)窗口、語(yǔ)義切塊等方式，能有效保留上下文。
3. 多模態(tài)處理（Modality Handling）
- 文檔中可能包含表格、圖片、代碼塊；
- 不同內(nèi)容類型需要不同的切塊策略。
03｜15種Chunking技巧全解析（附代碼）
接下來(lái)，我們進(jìn)入正題：15種Chunking技巧，每種都配有使用場(chǎng)景、優(yōu)缺點(diǎn)和代碼示例，建議收藏！
1. 固定大小切塊（Fixed-Size Chunking）
原理：按固定詞數(shù)或token數(shù)切分。
適用場(chǎng)景：結(jié)構(gòu)簡(jiǎn)單的小文檔。
優(yōu)點(diǎn)：實(shí)現(xiàn)簡(jiǎn)單，速度快。
缺點(diǎn)：可能切斷句子，丟失語(yǔ)義。
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. 句子切塊（Sentence-Based Chunking）
原理：按句子邊界切分。
適用場(chǎng)景：需要保留語(yǔ)義完整性的文檔。
優(yōu)點(diǎn)：語(yǔ)義清晰，上下文連貫。
缺點(diǎn)：句子長(zhǎng)度不一，chunk大小不穩(wěn)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. 段落切塊（Paragraph-Based Chunking）
原理：按段落切分。
適用場(chǎng)景：結(jié)構(gòu)清晰的文檔，如論文、報(bào)告。
優(yōu)點(diǎn)：自然分段，語(yǔ)義完整。
缺點(diǎn)：段落長(zhǎng)度不一，可能超token限制。
def paragraph_chunk(text):
return text.split('\n\n')4. 語(yǔ)義切塊（Semantic Chunking）
原理：基于語(yǔ)義相似度進(jìn)行切塊。
適用場(chǎng)景：技術(shù)文檔、復(fù)雜文本。
優(yōu)點(diǎn)：上下文保留好。
缺點(diǎn)：實(shí)現(xiàn)復(fù)雜，需依賴模型。
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. 模態(tài)感知切塊（Modality-Specific Chunking）
原理：文本、表格、圖片分別處理。
適用場(chǎng)景：PDF、技術(shù)手冊(cè)等混合內(nèi)容文檔。
優(yōu)點(diǎn)：保留多種模態(tài)信息。
缺點(diǎn)：實(shí)現(xiàn)復(fù)雜。
def modality_chunk(text, images=None, tables=None):
text_chunks = paragraph_chunk(text)
return {'text_chunks': text_chunks, 'images': images, 'tables': tables}6. 滑動(dòng)窗口切塊（Sliding Window Chunking）
原理：相鄰chunk之間有重疊。
適用場(chǎng)景：法律、學(xué)術(shù)文檔。
優(yōu)點(diǎn)：上下文連貫。
缺點(diǎn)：內(nèi)容重復(fù)，處理量大。
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. 層級(jí)切塊（Hierarchical Chunking）
原理：按章節(jié)、段落、子段落分層切塊。
適用場(chǎng)景：結(jié)構(gòu)化文檔，如論文、合同。
優(yōu)點(diǎn)：保留文檔結(jié)構(gòu)。
缺點(diǎn)：實(shí)現(xiàn)復(fù)雜。
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. 內(nèi)容感知切塊（Content-Aware Chunking）
原理：根據(jù)內(nèi)容特征動(dòng)態(tài)調(diào)整切塊策略。
適用場(chǎng)景：電子書、技術(shù)文檔。
優(yōu)點(diǎn)：靈活適應(yīng)不同內(nèi)容。
缺點(diǎn)：邏輯復(fù)雜。
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. 表格感知切塊（Table-Aware Chunking）
原理：將表格獨(dú)立切塊。
適用場(chǎng)景：財(cái)務(wù)報(bào)表、技術(shù)文檔。
優(yōu)點(diǎn)：保留表格結(jié)構(gòu)。
缺點(diǎn)：格式可能丟失。
import pandas as pd
def table_aware_chunk(table):
return table.to_markdown()10. Token級(jí)切塊（Token-Based Chunking）
原理：按token數(shù)切塊，適配Transformer模型。
適用場(chǎng)景：GPT、BERT等模型。
優(yōu)點(diǎn)：適配模型限制。
缺點(diǎn)：可能切斷句子。
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. 實(shí)體感知切塊（Entity-Based Chunking）
原理：基于NER識(shí)別實(shí)體進(jìn)行切塊。
適用場(chǎng)景：簡(jiǎn)歷、合同、法律文檔。
優(yōu)點(diǎn)：保留實(shí)體信息。
缺點(diǎn)：需訓(xùn)練NER模型。
def entity_based_chunk(text):
doc = nlp(text)
return [ent.text for ent in doc.ents]12. 主題切塊（Topic-Based Chunking）
原理：使用LDA等主題模型進(jìn)行切塊。
適用場(chǎng)景：新聞、研究論文等多主題文檔。
優(yōu)點(diǎn)：按主題聚合信息。
缺點(diǎn)：需額外建模。
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)
# 省略主題分配邏輯
return sentences13. 頁(yè)面切塊（Page-Based Chunking）
原理：按PDF頁(yè)面切塊。
適用場(chǎng)景：PDF文檔。
優(yōu)點(diǎn)：實(shí)現(xiàn)簡(jiǎn)單。
缺點(diǎn)：可能斷句。
def page_based_chunk(pages):
return pages14. 關(guān)鍵詞切塊（Keyword-Based Chunking）
原理：按關(guān)鍵詞切分。
適用場(chǎng)景：結(jié)構(gòu)清晰的文檔。
優(yōu)點(diǎn)：符合文檔結(jié)構(gòu)。
缺點(diǎn)：需預(yù)定義關(guān)鍵詞。
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. 混合切塊（Hybrid Chunking）
原理：結(jié)合多種策略。
適用場(chǎng)景：復(fù)雜文檔。
優(yōu)點(diǎn)：靈活強(qiáng)大。
缺點(diǎn)：實(shí)現(xiàn)復(fù)雜。
def hybrid_chunk(text):
paragraphs = paragraph_chunk(text)
hybrid_chunks = []
for paragraph in paragraphs:
hybrid_chunks += sentence_chunk(paragraph)
return hybrid_chunks04｜不同場(chǎng)景下如何選擇Chunking策略？
場(chǎng)景類型 | 推薦策略 |
FAQ、客服系統(tǒng) | 句子切塊、關(guān)鍵詞切塊 |
學(xué)術(shù)論文 | 層級(jí)切塊、語(yǔ)義切塊 |
技術(shù)文檔 | 表格感知切塊、內(nèi)容感知切塊 |
多模態(tài)文檔 | 模態(tài)感知切塊、混合切塊 |
法律文檔 | 滑動(dòng)窗口切塊、實(shí)體感知切塊 |
05｜結(jié)語(yǔ)：Chunking不是“切”，是“設(shè)計(jì)”
Chunking不是簡(jiǎn)單的“把文檔切碎”，而是一種信息架構(gòu)設(shè)計(jì)。不同的切塊策略，直接決定了RAG系統(tǒng)的檢索精度、生成質(zhì)量和響應(yīng)速度。
希望這篇文章能幫你找到最適合你業(yè)務(wù)的Chunking策略。如果你正在構(gòu)建RAG系統(tǒng)，不妨從這些小技巧開始，逐步優(yōu)化你的文檔處理流程。
本文轉(zhuǎn)載自??Halo咯咯?? 作者：基咯咯
