LangChain : 破解长文本问答挑战：智能切分与上下文增强的解决方案

1. 长文本切分信息丢失问答精度曲线

长文本的头尾部分，问答的精度较高，而在中间部分则出现了精度下降的问题。这通常是因为在文本切分过程中，重要信息的上下文可能被丢失，尤其是在长段落的中间部分。

2. 长文本切分信息丢失解决思路

1. 重叠切割策略（Overlapping Chunks）

   • 在切割文本时设置重叠区域（overlap），确保相邻块之间共享一定的内容

   • 通过增加重叠区域大小，可以减少中间部分上下文丢失的问题

   • 在LangChain中可以通过设置overlap参数来实现：

     text_splitter = RecursiveCharacterTextSplitter(    chunk_size=1000,    chunk_overlap=200  # 增加重叠区域)
     

2. 分层切割方法（Hierarchical Splitting）

   • 先将文本分割为大的语义单位（如章节），然后再进行细粒度切割
   • 这样可以保留章节内的上下文关系，减少中间部分信息丢失
   • LangChain中可以使用HierarchicalTextSplitter或组合多个切割器实现

3. 语义感知切割（Semantic-aware Splitting）

   • 使用语义边界（如段落、句子）而非简单的字符数来切割文本

   • 这样可以避免切割点破坏语义完整性

   • 可以通过调整RecursiveCharacterTextSplitter的分隔符优先级来实现：

     text_splitter = RecursiveCharacterTextSplitter(    separators=["\n\n", "\n", ". ", " ", ""],    chunk_size=1000)
     

4. 动态调整切割大小（Adaptive Chunk Sizing）

   • 对文本不同部分采用不同的切割策略
   • 例如，对文本的中间部分使用更小的chunk_size和更大的overlap
   • 这需要自定义切割器来实现

5. 切割后的后处理（Post-processing）

   • 为每个切片添加前后文的摘要或关键信息
   • 使用LangChain的Document Transformers对切片进行增强
   • 例如，可以将每个片段的前后位置信息作为元数据添加

6. 检索增强（Retrieval Enhancement）

   • 在检索阶段改进策略，不仅获取最匹配的片段，还获取其前后文
   • 使用LangChain的ContextualCompressionRetriever进行上下文感知检索
   • 或者使用多查询检索，从不同角度获取相关信息

7. 句子窗口方法（Sentence Window Retrieval）

   • 将文档切割为句子级别，检索时返回匹配句子及其周围的句子

   • 这可以通过自定义的处理管道实现：

     from langchain.text_splitter import CharacterTextSplitter# 先按句子切割sentence_splitter = CharacterTextSplitter(    separator=".",     chunk_size=10000,    chunk_overlap=0)# 检索时获取句子及其上下文
     

3. LangChain 解决长文本切分信息丢失 综合实例

需求分析

背景案例： 某法律科技公司需要构建一个智能法律助手，用于分析和检索长篇法律文件（如判决书、法律法规等）来回答用户问题。团队发现在测试过程中存在一个明显问题：系统在处理长文本时表现出明显的"位置偏见"——能够准确回答关于文档开头和结尾部分的问题，但对中间部分的回答质量明显下降。

具体问题：

1. 判决书通常长达数万字，按常规切分方法（如固定字符数）导致中间部分的上下文信息丢失
2. 法律文件中的因果关系和逻辑推理常常跨越多个段落，简单切分会破坏这些联系
3. 关键信息（如判决结果）可能在文档多处被引用，但切分后这种联系被切断
4. 检索系统倾向于返回文档首尾的内容，中间部分的召回率较低

性能指标：

• 提高中间部分内容的问答准确率（从现有的62%提升至85%以上）
• 减少"不知道"或错误回答的比例
• 保持系统响应时间在可接受范围内（<3秒）

解决方案设计

基于上述需求，我们可以设计以下三种方案组合使用：

方案1：分层递进切分 + 重叠窗口

思路： 根据法律文档的结构特点，先按照大的语义单位（如章节）进行切分，再对每个章节进行更细粒度的切分，同时在细粒度切分时保持足够的重叠度。

优势：

• 保留文档的层次结构信息
• 通过重叠窗口保证上下文连贯性
• 适合具有明确章节结构的法律文档

方案2：语义感知切分 + 上下文增强

思路： 使用语义边界（如自然段落、完整句子）进行切分，同时为每个切片添加前后文的摘要信息作为元数据。

优势：

• 避免切断自然语义单位
• 通过元数据保留上下文关联
• 特别适合逻辑关系复杂的法律推理文本

方案3：动态调整切片大小 + 多查询检索

思路： 根据文本位置和内容复杂度动态调整切片大小和重叠度，并在检索时使用多角度查询策略。

优势：

• 对文档不同部分采用不同的处理策略
• 通过多角度查询提高中间部分的检索概率
• 适应不同类型法律文档的特点

代码构建思路

我们将综合使用以上三种方案，构建一个完整的解决方案。核心思路如下：

1. 实现分层递进切分器，根据文档结构进行自适应切分
2. 创建语义感知的切分策略，保留自然语义单位
3. 设计动态参数调整机制，根据文本位置调整切分参数
4. 实现上下文增强处理器，为每个切片添加关键上下文
5. 构建多策略检索系统，提高中间部分的召回率

完整实现

下面是基于LangChain的完整实现代码：

import re
from typing import List, Dict, Any, Optional, Tuple
import numpy as np
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain.schema import Document
from langchain.embeddings import OpenAIEmbeddings
from langchain.vectorstores import Chroma
from langchain.retrievers import ContextualCompressionRetriever
from langchain.retrievers.document_compressors import LLMChainExtractor
from langchain.chains import RetrievalQA
from langchain.chat_models import ChatOpenAI
from langchain.prompts import PromptTemplate


class AdaptiveDocumentProcessor:
    """自适应文档处理系统，实现分层递进切分与上下文增强"""
    
    def __init__(
        self,
        base_chunk_size: int = 1000,
        base_chunk_overlap: int = 200,
        embeddings_model: str = "text-embedding-ada-002",
        llm_model: str = "gpt-3.5-turbo",
        db_directory: str = "./chroma_db"
    ):
        self.base_chunk_size = base_chunk_size
        self.base_chunk_overlap = base_chunk_overlap
        self.embeddings = OpenAIEmbeddings(model=embeddings_model)
        self.llm = ChatOpenAI(model_name=llm_model, temperature=0)
        self.db_directory = db_directory
        
        # 定义结构识别的正则表达式
        self.section_patterns = {
   
            "header": r"^#+\s+.+$|^.+\n[=\-]+$",  # Markdown标题或下划线式标题
            "paragraph_break": r"\n\n+",          # 段落分隔
            "list_item": r"^\s*[\*\-\+]\s+.+$",   # 列表项
            "code_block": r"```[\s\S]+?```",      # 代码块
            "table": r"\|.+\|.+\|",               # 简单表格识别
        }
    
    def detect_document_structure(self, text: str) -> Dict[str, List[Tuple[int, int]]]:
        """分析文档结构，返回各类结构元素的位置信息"""
        structure_map = {
   }
        
        for element_type, pattern in self.section_patterns.items():
            matches = list(re.finditer(pattern, text, re.MULTILINE))
            if matches:
                structure_map[element_type] = [(m.start(), m.end()) for m in matches]
                
        return structure_map
    
    def calculate_position_weights(self, text: str, position: int) -> float:
        """根据文本位置计算权重，用于动态调整切分参数
        
        文档开头和结尾通常包含更重要的信息，给予更高权重
        """
        total_length = len(text)
        relative_pos = position / total_length
        
        # 使用高斯分布使开头和结尾获得更高权重
        if relative_pos < 0.3:
            # 文档开头部分
            weight = 1.5 - (relative_pos / 0.3) * 0.5
        elif relative_pos > 0.7:
            # 文档结尾部分
            weight = 1.0 + ((relative_pos - 0.7) / 0.3) * 0.5
        else:
            # 文档中间部分
            weight = 1.0
            
        return weight
    
    def adaptive_chunk_parameters(self, text: str, position: int) -> Tuple[int, int]:
        """根据文本位置动态调整chunk大小和重叠参数"""
        weight = self.calculate_position_weights(text, position)
        
        # 调整chunk大小和重叠参数
        adjusted_chunk_size = int(self.base_chunk_size * weight)
        adjusted_overlap = int(self.base_chunk_overlap * weight)
        
        return adjusted_chunk_size, adjusted_overlap
    
    def hierarchical_