RAG 常见分块策略全解析：从原理到代码实践（2025 深度版）

引言

在检索增强生成（RAG）系统中，分块策略是决定系统性能的基石。本文基于 2023 - 2025 年最新研究成果，深度剖析 12 种分块方法的实现原理，并通过 Python 代码演示其应用场景。

---

一、为什么需要分块？

1.1 上下文窗口限制

RAG 模型中的检索部分会从文档库中检索与用户查询相关的文本块，这些文本块将作为上下文输入到生成模型中。然而，生成模型（如大型语言模型，LLM）的上下文窗口是有限的，这意味着它能够处理的输入文本长度是有限制的。例如，许多 LLM 的上下文窗口最多只能容纳 2048 个令牌（tokens）。如果检索到的文本块过大，超出了这个限制，就无法完整地输入到生成模型中，从而可能导致生成的响应不准确或不完整。通过将文档分块，可以确保每个块的大小都在生成模型的上下文窗口范围内，从而使模型能够有效地处理和生成高质量的响应。

大型语言模型（LLM）存在严格的 Token 限制&