文档太长模型“吃不下”？15种Chunking神技，助你打造聪明绝顶的RAG系统！-CSDN博客

本文链接：https://blog.csdn.net/Python_cocola/article/details/149406968

❝

你以为RAG系统的“聪明才智”全靠大模型？错！真正的高手，都是切块（Chunking）切得好！

一、前言：RAG系统的“吃饭哲学”

大家好，我是你们的AI技术侃侃君。今天我们聊点硬核又接地气的：RAG系统里的文档切块（Chunking）。

你是不是也遇到过这种尴尬：明明有一份厚厚的文档，想让大模型帮你总结、问答、检索，结果模型一脸懵逼——“对不起，token太多，我吃不下！”
别急，这不是模型太菜，而是你没掌握切块的艺术。

RAG（Retrieval-Augmented Generation）系统，已经是NLP圈的“顶流”了。无论是智能问答、知识库、文档摘要，还是企业内部的智能检索，RAG都能大显身手。但你要让它“吃得好、消化快、输出香”，Chunking绝对是核心秘诀。

今天，侃侃君就带你一口气盘点15种Chunking神技，让你的RAG系统聪明到飞起！

二、Chunking到底是啥？为啥这么重要？

1. Chunking的本质

Chunking，直译就是“切块”。在RAG系统里，就是把一份大文档，拆成模型能“咀嚼”的小块。
为什么要切？

模型有token上限（比如GPT-4最多8K tokens），文档太长直接塞进去，模型会“噎住”。
不切块，检索时很难精准定位答案，模型容易“漏看”关键信息。
切得太碎，语义断裂，模型“看不懂”；切得太大，token爆表，模型“吃不下”。

所以，Chunking不是简单的“切”，而是信息架构的艺术。
你要在“保留上下文”和“适配模型能力”之间，找到那个黄金分割点。

2. Chunking的三大核心考量

块的大小（Chunk Size）
太大，token超限，检索慢；太小，语义丢失，生成质量差。
建议：100~500 tokens/块，根据模型实际能力灵活调整。
上下文保留（Context Preservation）
切块不能“断句断意”，否则模型“看不懂”。
滑动窗口、语义切块等方式，可以有效保留上下文。
多模态处理（Modality Handling）
文档里可能有表格、图片、代码块，不同内容类型要用不同切块策略。

三、15种Chunking神技大盘点（附代码&场景）

1. 固定大小切块（Fixed-Size Chunking）

原理：按固定词数或token数切分。
适用：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：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：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：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 chunks

5. 模态感知切块（Modality-Specific Chunking）

原理：文本、表格、图片分别处理。
适用：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：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 chunks

7. 层级切块（Hierarchical Chunking）

原理：按章节、段落、子段落分层切块。
适用：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 sections

8. 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：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 chunks

9. 表格感知切块（Table-Aware Chunking）

原理：将表格独立切块。
适用：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：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：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：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 sentences

13. 页面切块（Page-Based Chunking）

原理：按PDF页面切块。
适用：PDF文档。
优点：实现简单。
缺点：可能断句。

def page_based_chunk(pages):
    return pages

14. 关键词切块（Keyword-Based Chunking）

原理：按关键词切分。
适用：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 chunks

15. 混合切块（Hybrid Chunking）

原理：结合多种策略。
适用：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_chunks

四、不同场景下，如何选对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

侃侃君小贴士：

文档结构清晰，优先用“层级/关键词/段落”切块。
语义复杂，优先用“语义/滑动窗口/混合”切块。
有表格、图片，记得用“模态感知/表格感知”切块。
Token卡得紧，直接“token级切块”走起。

五、结语：Chunking不是“切”，是“设计”！

很多人以为Chunking就是“把文档切碎”，其实这是信息架构的高级设计。
切得好，RAG系统如虎添翼；切得烂，模型再大也白搭。

最后，侃侃君送你一句话：

❝

“RAG系统的聪明，不在于模型多大，而在于你切块多巧。”

如果你正在做RAG系统，建议把这15种Chunking神技收藏起来，结合你的业务场景，灵活搭配，逐步优化。
让你的RAG系统，吃得下、消化好、输出香！

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述