图解AI：RAG分块策略

fuhe

RAG作为大模型入门级的应用，在处理策略上要比写提示语好落地的很多。
刚刚经历了一个AI落地大项目的上线，提示语写了将近5000字。比起写提示语我还是更愿意写crud。
步入今天的正题聊聊 RAG 里的五种分块策略！
经典流程

因为上传的文档可能很大，所以第一步「检索文档」里还涉及「分块」，也就是把大文档拆成更小、更易处理的片段。这一步特别关键，因为它得确保文本能适配嵌入模型的输入尺寸。

下面就来详细说说五种分块策略，咱们一个个搞明白！

固定大小分块

按预设的字符数、单词数或 Token 数，把文本切成均匀的片段。
举个例子（配合刚才那张图里的蓝色重叠部分）：比如设定每块 500 字，那前一块的最后 100 字和下一块的前 100 字会有重叠。
优点：实现起来简单，而且所有块大小一致，方便批量处理。
缺点：容易切断句子或完整的意思，重要信息可能被拆到两个块里，比如一句话前半句在这块，后半句在那块。

语义分块

按有意义的单元来分段，比如句子、段落或主题章节。具体怎么做呢？
先给每个段落生成嵌入向量，然后计算相邻段落的余弦相似度段落的余弦相似度：
如果第一段和第二段的相似度很高，就把它们合并成一个块；
直到遇到相似度明显下降的段落，就新开一个块。
优点：保持语言的自然流畅，每个块都包含完整的观点，这样检索时更准，LLM 生成的回答也更连贯相关。
缺点：需要设定一个相似度阈值，但不同文档的阈值可能不一样，得反复调参。

递归分块

先按文档的天然分隔符（比如段落、章节）初步分块，然后检查每个块的大小：
如果超过预设的最大块大小，就进一步拆分成更小的块；
如果大小合适，就保持不变。
举个栗子🌰：
先把文档分成两个紫色段落（块 1 和块 2）；
块 1 太长，再拆成两个小块；块 2 刚好合适，不拆分。
优点：和语义分块类似，能保留完整语义。
缺点：实现起来更复杂，计算量也更大，因为要多一步 “检查是否需要拆分” 的逻辑。

基于文档结构的分块

利用文档本身的结构来划分块，比如标题、章节、子标题等。比如：
一个一级标题下的所有内容作为一个块；
每个表格或图表的说明文字单独成块。
优点：贴合文档的逻辑结构，块的内容更完整。
缺点：依赖文档有清晰的结构，如果遇到结构混乱的文档（比如纯文本无标题），就不好用了。另外，块的长度可能不均匀，有些块可能超过模型的 Token 限制，这时候可以结合递归分块一起用。

基于大语言模型的分块

直接让 LLM 帮忙生成语义独立、有意义的块。比如给 LLM 一个提示：“请将以下文本分成每个块约 500 字的语义完整段落，确保每个块包含独立的主题。”
优点：语义准确性最高，LLM 能理解上下文，比前四种基于规则的方法更智能。
缺点：计算成本最贵，每次分块都要调用 LLM，而且 LLM 本身也有上下文窗口限制，处理长文档可能需要多次调用。

总览图


怎么选？

每种方法都有优缺点，实际中语义分块用得比较多，但还是得根据具体情况测试：

• 如果文档结构清晰 → 优先用「结构分块」+「递归分块」；
• 如果追求简单高效 → 用「固定大小分块」，记得加重叠部分；
• 如果对语义要求高且计算资源充足 → 试试「LLM 分块」。
  

最后抛个问题给大家：你还知道其他分块策略吗？ 欢迎讨论！