RAG通过结合检索与生成技术，依赖其高效检索算法、多模态融合能力及系统级优化，解决了基础大模型在企业内部应用的局限性，例如通过RAG技术对接企业内部知识库，支持知识动态更新与实时交互，显著降低了大模型的幻觉风险，无需微调训练模型，低成本适配企业垂直领域的应用场景，在数据安全与可控性方面，可加入权限控制逻辑，确保敏感信息仅在授权范围内使用，同时通过引用标注实现可追溯性。
但是在RAG应用工程化过程中，特别在金融、医疗等高风险领域，“可验证性”、“准确性”比“智能性”更重要，分块策略是RAG系统的核心环节，不同的分块策略，直接影响检索效率与生成质量。
我们先简单回顾一个RAG的基本工作流程：
有时候我们的文档可能很大，或者结构很复杂，在步骤①中需要对文档进行分块处理，将大文档分成较小单位/可管理的部分，以确保文本适合嵌入模型的输入大小。
由于采用不恰当的分块策略，可能导致我们最终应用RAG的效果达不到预期，面临答案可信度不足、关键信息漏检、复杂文档提取瓶颈等问题。这些问题直接影响RAG系统的可靠性和实用性。
RAG分块应用中普遍存在的问题
准确性：答案可信度不足
幻觉问题
即使检索到相关文档，大模型仍可能脱离文档内容编造答案（尤其在文档信息模糊或矛盾时）。例如如：用户问“某基金近3年收益率”，模型可能捏造数据而非引用检索到的报告。
检索噪声干扰
相似度搜索返回的文档片段可能包含无关信息，导致模型生成答案时被误导。例如：检索到10篇文档，其中3篇主题相关但含错误数据，模型可能融合错误信息。
细粒度理解缺失
模型难以精准理解数字、日期、专业术语的上下文含义，导致关键信息误用。例如：将“预计2025年增长10%”误解为历史数据。
召回率：关键信息漏检
语义匹配局限
传统向量搜索依赖语义相似度，但用户问题与文档表述差异大时漏检（如术语vs口语）。例如：用户问“钱放货币基金安全吗？”可能漏检标题为“货币市场基金信用风险分析”的文档。
长尾知识覆盖不足
低频、冷门知识因嵌入表示不充分，在向量空间中难以被检索到。例如：某小众金融衍生品的风险说明文档未被召回。
多跳推理失效
需组合多个文档片段才能回答的问题（如因果链），单次检索难以关联分散的知识点。例如：“美联储加息如何影响A股消费板块？”需先检索加息机制，再关联A股消费板块。
复杂文档解析：信息提取瓶颈
非结构化数据处理
表格/图表：文本分块会破坏表格结构，导致行列关系丢失（如财报中的利润表）。
公式/代码：数学公式或程序代码被错误分段，语义完整性受损。
扫描件/图片：OCR识别错误率高，尤其对手写体或模糊文档。
上下文割裂问题
固定长度分块（如512字符）可能切断关键上下文：
分块1结尾：“...风险因素包括：”
分块2开头：“利率波动、信用违约...” → 模型无法关联分块1的提示语。
文档逻辑结构丢失
标准分块策略忽略章节、段落、标题的层级关系，影响知识图谱构建。例如：将“附录”中的备注误认为正文结论。
RAG的分块策略与选择
选择合适的分块策略，是解决RAG实际应用中准确性、召回率与复杂文档解析等痛点最直接有效的方式，也是我们建设RAG系统最关键的一个环节。最常见的RAG分块策略包括：固定大小分块、语义分块、递归分块、基于文档结构的分块、基于LLM的分块。
下面我们围绕这五种分块策略，系统介绍不同分块策略的基本原理、实现步骤、主要优缺点与适用场景。
固定大小分块
基本原理
固定大小分块（Fixed-size Chunking），将文本按固定长度（如字符数、单词数或token数）切分，每个块大小一致，可能通过重叠保留上下文连贯性。例如，将文档每256个字符切分为一个块，重叠20个字符以减少边界信息丢失。
固定大小分块示意（图片来源：DailyDoseofDS）
实现步骤
预设参数：定义块大小（如256 token）和重叠比例（如20 token）。 切分文本：按固定长度分割文本，允许相邻块部分重叠。 生成块列表：输出所有块作为独立单元。
主要优点
实现简单：无需复杂算法，代码实现高效。 标准化处理：块大小一致，便于批量处理和向量化。 资源友好：适合大规模文本处理，降低计算成本。
主要缺点
语义断裂：可能在句子或概念中间切分，破坏上下文完整性。 信息冗余：重叠区域可能导致重复存储和计算。 适用性受限：对结构化文本（如代码、技术文档）效果较差。
适用场景
非结构化文本（如新闻、博客）的初步处理。 对实时性要求高、需快速切分的场景。
[原文档]"2023年Q3净利润同比增长5.2%（详见附录Table 7）"[分块1] "2023年Q3净利润同比增长5.2%（详见"[分块2] "附录Table 7）" # 关键数据来源丢失！
语义分块
基本原理
语义分块（Semantic Chunking），根据句子、段落、主题等有语义内涵的单位对文档进行分段创建嵌入，如果第一个段的嵌入与第二个段的嵌入具有较高的余弦相似度，则这两个段形成一个块。通过合并相似内容，确保每个块表达完整的语义内容。
由于每个分块的内容更加丰富，它提高了检索准确性，让大模型产生更加连续和相关的响应。但是它依赖于一个阈值来确定余弦相似度是否显著下降，而这个阈值在不同类型文档中可能涉及不同的参数设置。
语义分块流程
语义分块示意（图片来源：DailyDoseofDS）
实现步骤
分句/分段：将文本拆分为句子或段落。 生成嵌入：为每个单元计算向量表示。 相似度计算：依次比较相邻单元的余弦相似度。 动态合并：当相似度高于阈值时合并单元；相似度骤降时开始新块。
主要优点
语义完整性：保留自然语义结构，提升检索准确性。 上下文敏感：适应复杂逻辑关系（如因果、对比）。 生成质量：检索到的块更连贯，利于LLM生成精准回答。
主要缺点
计算复杂度高：需多次向量化计算和相似度比较。 阈值依赖：相似度阈值需人工调试，不同文档需不同参数。 实现门槛：依赖高质量嵌入模型和相似度算法。
适用场景
高精度问答系统（如法律、医疗领域），研究论文、行业分析报告等专业文档。 需保留上下文逻辑的复杂文档（如论文、技术报告）。
[分块]区块1: "货币政策的宽松将推动市场流动性提升。"区块2: "但需警惕通胀反弹带来的政策转向风险。"# 每个区块为完整语义单元
递归分块
基本原理
递归分块（Recursive Chunking），先按主题或段落初步划分，再对超长块递归细分，直至满足大小限制。递归分块融合了结构化与非结构化处理逻辑，与固定大小的分块不同，这种方法保持了语言的自然流畅性并保留了完整的内容语义。
递归分块流程
递归分块示意（图片来源：DailyDoseofDS）
实现步骤
粗粒度切分：按段落、标题或主题初步划分大块。 检查大小：判断块是否超过预设长度（如1024 token）。 递归细分：超长，按固定大小或语义逻辑进一步切分。 终止条件：块大小符合要求时停止递归。
主要优点
灵活性强：平衡结构完整性与大小限制。 适应复杂内容：处理长文档（如书籍、长篇论文）时表现优异。 多策略融合：可结合固定大小或语义分块优化细分。
主要缺点
块大小不均：不同层级的块可能差异较大。 逻辑断裂风险：递归过程中可能破坏原文的自然段落结构。 实现复杂：需设计递归终止条件和分块策略。
适用场景
长文档处理（如企业年报、学术论文），书籍、技术手册等层级化文档。 需兼顾结构化与非结构化内容的场景，包含嵌套结构的合同文本。
1. 摘要 --> [保留完整]2. 行业分析 --> [按子章节切分]2.1 供需格局 --> [按段落切分]2.2 竞争态势 --> [按段落切分]3. 附录表格 --> [特殊处理]
基于文档结构的分块
基本原理
基于文档结构分块（Document Structure-based Chunking），利用文档固有结构（如标题<h1>、章节、列表<ul>、表格<table>）进行切分，每个结构单元作为一个块。它通过与文档的逻辑部分对齐来保持结构完整性。这种分块适用于文档有清晰的结构，但很多时候，一个文档的结构会比想象中复杂，此外，很多时候文档章节内容大小不一，很容易超过块的大小限制，需要结合递归拆分再进行合并处理。
基于文档结构分块流程
基于文档结构分块示意（图片来源：DailyDoseofDS）
实现步骤
识别结构元素：解析文档中的标题、段落、小节等标记（如Markdown、XML）。 按结构切分：将每个结构单元（如“引言”、“结论”）独立为块。 处理超长部分：若某结构单元过大，再结合递归或固定大小分块细化。
主要优点
逻辑清晰：保留文档的层次化结构，便于定位信息。 检索高效：用户可通过标题快速定位相关内容。 格式兼容性：适合结构化文档（如技术手册、报告）。
主要缺点
依赖格式标准化：对非结构化文本（如自由写作）效果差。 预处理复杂：需解析文档格式（如LaTeX、HTML），增加实现难度。 灵活性不足：难以处理混合结构内容（如图文混排）。
适用场景
结构化文档，如：财报（表格数据）、技术文档（代码块）、合同（条款列表）。 需按章节检索的场景（如法规数据库），任何含丰富格式标记的内容。
[原始PDF表格]| 项目 | 2023Q3 | 同比 ||--------------|--------|-------|| 营业收入 | 5.2亿 | +12% |[结构化分块]{"type": "table","title": "利润表摘要","data": [["项目", "2023Q3", "同比"], ["营业收入", "5.2亿", "+12%"]]} # 整表作为独立区块
基于LLM的分块
基本原理
基于LLM的分块（LLM-based Chunking），直接将原始文档输入大语言模型（LLM），由模型智能生成语义块。利用LLM的语义理解能力，动态划分文本，保证了分块语义的准确性，但这种分块方法对算力要求最高，对时效性与性能也将带来挑战。
基于LLM分块流程（图片来源：DailyDoseofDS）
实现步骤
输入文档：将完整文档送入LLM（如DeepSeek、GPT）。 生成块指令：通过提示词（Prompt）引导模型按语义划分块。 示例提示词：“请将以下文档按语义划分为多个块，每个块需包含完整主题。” 输出块列表：模型返回划分后的块，可能包含逻辑标签（如“引言”、“方法论”）。
主要优点
高度智能化：适应复杂、非结构化文本（如自由写作、对话记录）。 动态适应性：根据文档内容自动调整块大小和逻辑。 生成质量：块语义连贯，减少人工干预。
主要缺点
计算成本高：依赖高性能LLM，资源消耗大。 可解释性差：模型决策过程难以追溯，可能产生不可预测的块。 依赖模型能力：效果受限于LLM的训练数据和语义理解能力。
适用场景
非结构化文本（如访谈记录，会议纪要，用户评论、社交媒体内容等）。
需高级语义分析的场景（如跨领域知识整合）
[原始分散段落]段落1: "A公司宣布收购B公司..."段落2: "交易金额达50亿美元..."段落3: "B公司核心资产为..."[LLM智能分块结果]"并购事件：A公司以50亿美元收购B公司（核心资产为...）" # 跨段落聚合关键信息
| 固定大小分块 | |||
| 语义分块 | |||
| 递归分块 | |||
| 基于结构的分块 | |||
| 基于LLM的分块 |
RAG分块策略选择建议
结合递归与结构分块：处理长文档时（如法律合同、表格、公式、技术手册）。
语义分块：对生成质量要求高、文档语义复杂时（如论文、医疗问答）。 使用LLM分块：处理非结构化或混合内容（如多模态文档）。 固定大小分块：快速部署或资源受限场景（如社交媒体、轻量级应用）。
分块策略选择决策树
具体实施过程中，我们需要根据具体需求与文档类型选择分块策略，或组合多种方法（如“结构分块+语义细分”）以实现最佳效果。
RAG面临的挑战与前沿探索
深层待解决问题
知识关联缺失
当前检索基于单点语义相似度，无法构建跨文档知识图谱（如“公司A收购事件”与“行业竞争格局变化”的隐含关联）。
推理-检索割裂
生成模型无法主动指导检索过程，形成“检索→生成”单向流水线，而非动态交互式推理。
例如：模型应能反问“您需要对比哪两个季度的数据？”以优化检索目标。
多模态理解不足
现有RAG主要处理文本，对文档中的图表、公式、流程图等信息利用率极低。例如研报中的股价趋势图无法被检索系统理解。
可信度量化困境
缺乏统一标准评估答案可靠性，用户难以判断“何时可信任RAG的输出”，导致存在潜在风险，例如金融场景中错误答案可能导致直接经济损失。
长上下文建模缺陷
当检索返回大量片段（如20篇文档）时，模型对超长提示词的尾部信息忽略率显著上升。
解决路径与前沿探索
检索增强
混合检索：融合语义搜索（Embedding）与关键词搜索（BM25）提升召回率
查询扩展：用LLM将用户问题改写为专业查询（如“钱放余额宝安全吗？”→“货币基金信用风险评估”）
递归检索：实现多跳推理（先查“美联储加息”，再查“科技股估值模型”）
生成控制
强制引用：要求模型标注答案来源位置（如：源自2023年报第5页）
置信度阈值：对低置信答案触发人工审核流程
结构化解构：将复杂问题拆解为子问题分步检索生成
优化分块
语义分块：按句子/段落边界切分而非固定长度
结构感知：保留表格、标题层级（利用Markdown/XML标签）
动态重叠：相邻块部分重叠避免上下文断裂
关注「Agent案例库」微信公众号，对话框回复【666】，一键下载下方所有大模型学习资料。
需要深入学习AI的同学可关注下方「Agent案例库」知识星球，每周获取前沿AI深度报告、智能体实战指南、热门AI工具介绍及大模型商业落地案例。
免责声明：部分内容来源网络，仅限个人交流学习，版权归原作者所有，如有不妥，请后台联系处理。
