文本分块Chunking是决定 RAG检索增强生成系统成败的核心技术之一却常常在幕后默默发挥作用。简单来说分块就是把长文档切分成更小、结构化的片段让 AI 系统能够真正检索和推理。分块可以• 降低数据检索中的噪声• 减少 AI 幻觉即生成错误或误导性结果• 缓解上下文丢失问题上下文丢失指模型要么收到文本过多、要么过少无法判断哪些信息属于同一主题也记不住句子、话题、章节之间的关联。简言之因为检索到的数据杂乱无章模型根本无法理解用户在问什么。 只要采用合适的分块策略RAG 应用就能成为高度可靠的知识系统返回简洁、上下文相关的答案。分块不只是一个预处理技巧而是RAG 的基石它让系统能够快速、规模化地稳定运行并输出准确、上下文感知的响应。下图展示了信息在 RAG 系统中的流转过程。RAG 架构中的文本分块分块在数据入库之后、向量化之前执行是决定信息如何存储、检索并最终被大模型使用的最关键一步。我们不会把整篇文档直接喂给模型而是通过分块将其切分成语义上有意义的上下文窗口。 在数据入库阶段系统会收集 PDF、规章制度、手册、网页、对话记录、内部知识库等原始文档并将其转为纯文本。这些提取出的文本通常过长、格式混乱、噪声多不适合直接向量化或检索。在向量化之前内容必须被结构化和规范化——这就是分块的核心价值。分块将大文本切分成语义或结构上有意义的单元。 这一点之所以重要是因为• 向量嵌入模型有上下文长度限制超长输入效果极差• 检索引擎在上下文过大、包含无关数据时表现糟糕分块通过把数据整理成兼顾语义完整性与嵌入效率的均衡单元解决了这些问题。、上图展示了不同分块大小对 RAG 准确率的影响。 分块边界决定了嵌入的粒度进而影响向量检索精度——因为相似度检索如余弦相似度、距离度量依赖每个分块的语义指纹质量。 在 RAG 架构中分块是一项核心结构决策直接决定整条 pipeline 的性能。主流 RAG 文本分块策略实际应用中有多种分块策略各有优劣以下是几种关键方案固定大小分块Fixed-Size Chunking最直接的分块方式按 Token 数量切分。例如每 300 个 Token 切一块。• 优点嵌入大小可预测实现简单• 缺点可能在句子中间切断造成检索噪声• 适用日志、邮件等结构规整、模式重复的文本from langchain.text_splitter import RecursiveCharacterTextSplittertext_splitter RecursiveCharacterTextSplitter( chunk_size300, chunk_overlap0)语义分块Semantic Chunking不按固定长度切分而是基于语义与含义切分可通过 NLP 或 LLM 实现• NLP 方式依赖句子边界、段落分隔、章节标题成本低、速度快但更僵化• LLM 方式深度分析内容识别话题切换自动决定边界对格式差的文本更友好下面是基于 LangChain 的语义分块示例SemanticChunker根据语义相似度而非固定 Token 数划分边界需要嵌入模型计算相邻文本的相似度以检测话题切换。from langchain_experimental.text_splitter import SemanticChunkerfrom langchain_openai.embeddings import OpenAIEmbeddingsembed_model OpenAIEmbeddings()semantic_chunker SemanticChunker( embed_model, breakpoint_threshold_typepercentile)滑动窗口分块Sliding Window Chunking混合方案用来解决固定分块切断重要上下文的问题。 通过创建重叠分块避免信息丢失例如 400 Token 的分块设置 20%–30% 重叠。 这样靠近边界的概念至少会出现在两个分块中提升连贯性。from langchain_text_splitters import TokenTextSplittertext_splitter TokenTextSplitter( chunk_size400, chunk_overlap100)反向分块Reverse Chunking适用于关键信息出现在章节末尾、总结、脚注的数据集。 不从文档开头分块而是从末尾向前分块确保以总结为核心的文档关键要点保留在同一块内而不是散落在多个分块中。 这能让检索系统直接返回高信息密度内容而不必使用过大的分块。from langchain.text_splitter import RecursiveCharacterTextSplittertext_splitter RecursiveCharacterTextSplitter( chunk_size300, chunk_overlap0)chunks text_splitter.split_text(text)chunks list(reversed(chunks))Agentic 分块Agentic Chunking一种新兴的智能分块机制由 LLM Agent 根据预设指令、检索目标和评估反馈动态决定分块边界。 Agent 会通读整篇文档然后决定如何切分信息以最大化特定场景的检索准确率。 到目前为止这种方式最接近人类整理知识库时的分块逻辑。如何选择合适的分块以实现最优检索分块策略的选择取决于多个因素内容结构、查询类型、检索精度要求、成本与延迟、模型混淆风险。内容结构• 学术/研究类文本概念层层递进随意固定分块会破坏核心思想优先语义分块• 产品手册、API 文档格式重复、结构规整可接受固定大小分块查询类型• 高精度问题审计推理、法律解释必须保留语义边界确保整段相关条款被完整检索• 宽泛意图问题更大的分块更有利于保留叙事逻辑检索粒度• 小块检索更精准但容易丢失上下文模型需要拼接多段信息• 大块保留上下文但会引入噪声降低精度是追求“手术刀式精准”还是“更丰富的上下文”取决于具体场景。成本与延迟分块越多嵌入计算与存储成本越高。 滑动窗口因为重叠分块会进一步增加计算量与成本。 企业规模化落地 RAG 时必须权衡精度提升是否值得额外成本。最小化模型混淆• 分块太小模型需要拼接大量碎片幻觉增多、回答不连贯• 分块太大检索返回噪声内容稀释精度企业级 RAG 系统的真实应用场景与挑战分块在企业场景中是安全与合规级别的关键环节典型场景包括合规与风险检索处理审计材料的企业必须保证关键词与其上下文绑定错误切分可能导致关键审计上下文被割裂。客服自动化银行、电信、酒店、航空、保险等行业用 RAG 提供故障排查、政策解读、高频问答。医疗与保险分块直接影响安全性与准确性。 临床笔记、诊断描述、保单规则必须保留在同一块内否则检索可能合并不兼容上下文或错误呈现关键信息。企业常见挑战• 原始文档存在 OCR 错误、异常空格、断句• 不同部门数据噪声大、高度重叠• 过度使用滑动窗口会抬高存储成本• 过于粗糙的分块会直接导致检索失败这些挑战都说明分块是一项战略设计直接决定 RAG 系统成败。写在最后分块是RAG 系统的结构基石。• 分块做得好整条 pipeline 准确、稳定、可扩展检索精准幻觉减少模型收集上下文的步骤更少• 分块做得差再好的嵌入模型也无法弥补结构缺失系统会持续检索错误信息无论使用哪种分块方法最终目标都是以合适的结构提供恰到好处的上下文量。 在 RAG 架构中优先重视分块设计的团队将避免代价高昂的下游失效问题。普通人如何抓住AI大模型的风口领取方式在文末为什么要学习大模型目前AI大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 大模型作为其中的重要组成部分 正逐渐成为推动人工智能发展的重要引擎 。大模型以其强大的数据处理和模式识别能力 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 为各行各业带来了革命性的改变和机遇 。目前开源人工智能大模型已应用于医疗、政务、法律、汽车、娱乐、金融、互联网、教育、制造业、企业服务等多个场景其中应用于金融、企业服务、制造业和法律领域的大模型在本次调研中占比超过30%。随着AI大模型技术的迅速发展相关岗位的需求也日益增加。大模型产业链催生了一批高薪新职业人工智能大潮已来不加入就可能被淘汰。如果你是技术人尤其是互联网从业者现在就开始学习AI大模型技术真的是给你的人生一个重要建议最后只要你真心想学习AI大模型技术这份精心整理的学习资料我愿意无偿分享给你但是想学技术去乱搞的人别来找我在当前这个人工智能高速发展的时代AI大模型正在深刻改变各行各业。我国对高水平AI人才的需求也日益增长真正懂技术、能落地的人才依旧紧缺。我也希望通过这份资料能够帮助更多有志于AI领域的朋友入门并深入学习。真诚无偿分享vx扫描下方二维码即可加上后会一个个给大家发【附赠一节免费的直播讲座技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等欢迎大家~】大模型全套学习资料展示自我们与MoPaaS魔泊云合作以来我们不断打磨课程体系与技术内容在细节上精益求精同时在技术层面也新增了许多前沿且实用的内容力求为大家带来更系统、更实战、更落地的大模型学习体验。希望这份系统、实用的大模型学习路径能够帮助你从零入门进阶到实战真正掌握AI时代的核心技能01教学内容从零到精通完整闭环【基础理论 →RAG开发 → Agent设计 → 模型微调与私有化部署调→热门技术】5大模块内容比传统教材更贴近企业实战大量真实项目案例带你亲自上手搞数据清洗、模型调优这些硬核操作把课本知识变成真本事02适学人群应届毕业生无工作经验但想要系统学习AI大模型技术期待通过实战项目掌握核心技术。零基础转型非技术背景但关注AI应用场景计划通过低代码工具实现“AI行业”跨界。业务赋能突破瓶颈传统开发者Java/前端等学习Transformer架构与LangChain框架向AI全栈工程师转型。vx扫描下方二维码即可【附赠一节免费的直播讲座技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等欢迎大家~】本教程比较珍贵仅限大家自行学习不要传播更严禁商用03入门到进阶学习路线图大模型学习路线图整体分为5个大的阶段04视频和书籍PDF合集从0到掌握主流大模型技术视频教程涵盖模型训练、微调、RAG、LangChain、Agent开发等实战方向新手必备的大模型学习PDF书单来了全是硬核知识帮你少走弯路不吹牛真有用05行业报告白皮书合集收集70报告与白皮书了解行业最新动态0690份面试题/经验AI大模型岗位面试经验总结谁学技术不是为了赚$呢找个好的岗位很重要07 deepseek部署包技巧大全由于篇幅有限只展示部分资料并且还在持续更新中…真诚无偿分享vx扫描下方二维码即可加上后会一个个给大家发【附赠一节免费的直播讲座技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等欢迎大家~】