RAG分块完全指南：提升大模型检索准确率的5大策略详解

原创于 2025-12-12 18:14:59 发布 · 895 阅读

CC 4.0 BY-SA版权

文章标签：

#microsoft #前端 #人工智能 #大模型 #大语言模型 #ai #微调

RAG技术通过分块策略解决大模型在企业应用中的局限性。文章详细分析了五种分块策略：固定大小分块实现简单但易语义断裂；语义分块保证内容完整但计算复杂；递归分块适应长文档但块大小不均；基于文档结构的分块保留逻辑但依赖格式；基于LLM的分块智能化但成本高。针对不同场景，如金融、医疗等高风险领域，应选择合适的分块策略或组合使用，以提高检索准确性、降低幻觉风险，并解决复杂文档解析瓶颈问题。

前排提示，文末有大模型AGI-CSDN独家资料包哦！

前言

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：

RAG工作流程（图片来源：DailyDoseofDS）

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。

RAG五种分块策略（图片来源：DailyDoseofDS）

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。

场景示例

[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）。

场景示例

[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。

场景示例

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

、章节、列表
、表格）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。

场景示例

[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）

场景示例

[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

五种RAG分块策略总结对比

分块策略	优点	缺点	适用场景
固定大小分块	实现简单，资源高效	语义断裂，信息冗余	快速处理非结构化文本
语义分块	语义完整，检索精准	计算复杂，依赖阈值	高精度问答、复杂文档
递归分块	灵活适应长文档，保留结构	块大小不均，逻辑断裂风险	长篇技术文档、企业报告
基于结构的分块	逻辑清晰，检索高效	依赖格式标准化，预处理复杂	结构化文档（论文、白皮书）
基于LLM的分块	高度智能，适应非结构化文本	计算成本高，决策过程不可控	非结构化内容、跨领域整合