在我近一年构建可扩展AI系统的经验中，我发现RAG系统的成功大多取决于检索（retrieval）。你如何切分和存储文档——也就是分块（chunking）——往往是成功背后的隐形推手。

引言

–

RAG（Retrieval-Augmented Generation）pipeline的性能很大程度上取决于你如何切分文档（分块）。在这篇文章中，我会带你了解RAG的流程，重点讲讲分块在其中的位置，然后深入探讨固定分块、递归分块、语义分块、基于结构的分块和延迟分块这五种技术，包括它们的定义、权衡和伪代码，帮你选择适合自己场景的方法。

RAG工作流程（高层次概览）

---

标准流程如下：

1. 文档摄取与分块

   拿来大份文档（PDF、HTML、纯文本） → 切分成小块（chunk） → 计算embeddings → 存储到vector DB中。

2. 查询与检索

   用户输入查询 → 将查询转为embedding → 检索top-k最相似的块（通过cosine similarity）。

3. 增强与提示构建

   将检索到的块（加上metadata）注入到LLM的提示中，通常会用模板和过滤器。

4. 生成

   LLM基于检索到的上下文和模型先验知识生成答案。

因为生成器（generator）只能看到你喂给它的内容，检索质量直接决定了结果。如果分块不合理或无关紧要，哪怕最好的LLM也救不回来。这就是为什么很多人说RAG的成功70%靠检索，30%靠生成。

在深入探讨技术之前，先说说为什么好的分块不是可有可无的：

• Embedding和LLM模型有context window限制，你没法直接处理超大文档。
• 分块需要语义连贯。如果你在句子或概念中间切开，embedding会变得杂乱或误导。
• 如果分块太大，系统可能会漏掉细粒度的相关内容。
• 反过来，如果分块太小或重叠太多，你会存储冗余内容，浪费计算和存储资源。

接下来，我们来探索五种主流的分块技术，从最简单到最复杂。

1. 固定分块（Fixed Chunking）

按固定大小（按token、单词或字符）把文本切成等大的块，通常块之间会有重叠。

这是RAG项目的良好起点，适合文档结构未知或内容单一的场景（比如日志、纯文本）。

实现代码示例：

def fixed_chunk(text, max_tokens=512, overlap=50):    tokens = tokenize(text)    chunks = []    i = 0    while i < len(tokens):        chunk = tokens[i : i + max_tokens]        chunks.append(detokenize(chunk))        i += (max_tokens - overlap)    return chunks

2. 递归分块（Recursive Chunking）

先按高层边界（比如段落或章节）切分。如果某个块还是太大（超过限制），就递归地进一步切分（比如按句子），直到所有块都在限制范围内。

适合半结构化文档（有章节、段落），你想尽量保留语义边界，同时控制块大小。

它能尽量保留逻辑单元（段落），避免不自然的切分，生成适合内容变化的多种块大小。

递归分块示例（LangChain）：

from langchain.text_splitter import RecursiveCharacterTextSplitter# 示例文本text = """输入文本占位符..."""# 定义递归分块器text_splitter = RecursiveCharacterTextSplitter(    chunk_size=200,           # 每个块的目标大小    chunk_overlap=50,         # 块之间的重叠以保持上下文连贯    separators=["\n\n", "\n", " ", ""]  # 递归切分的优先级)# 切分文本chunks = text_splitter.split_text(text)# 显示结果for i, chunk in enumerate(chunks, 1):    print(f"Chunk {i}:\n{chunk}\n{'-'*40}")

这能确保后续embedding和检索时，不会丢失边界处的关键上下文。

3. 语义分块（Semantic Chunking）

根据语义变化来切分文本。用embeddings（比如sentence embeddings）决定一个块的结束和下一个块的开始。如果相邻段落的相似度很高，就把它们放在一起；当相似度下降时，就切分。

适合需要高检索精度的场景（法律文本、科学文章、支持文档），但要注意embedding和相似度计算的成本，定义相似度阈值也需要仔细调整。

实现代码示例：

from sentence_transformers import SentenceTransformer, utilmodel = SentenceTransformer("all-MiniLM-L6-v2")def semantic_chunk(text, sentence_list, sim_threshold=0.7):    embeddings = model.encode(sentence_list)    chunks = []    current = [sentence_list[0]]    for i in range(1, len(sentence_list)):        sim = util.cos_sim(embeddings[i-1], embeddings[i]).item()        if sim < sim_threshold:            chunks.append(" ".join(current))            current = [sentence_list[i]]        else:            current.append(sentence_list[i])    chunks.append(" ".join(current))    return chunks

4. 基于结构的分块（Structure-based Chunking）

利用文档的固有结构（比如标题、副标题、HTML标签、表格、列表项）作为自然的切分边界。
比如，每个章节或标题可以成为一个块（或者再递归切分）。
适合HTML页面、技术文档、类似Wikipedia的内容，或任何有语义标记的内容。

根据我的经验，这种策略效果最好，尤其是结合递归分块时。
但它需要解析和理解文档格式，如果章节太大，可能会超过token限制，可能需要结合递归切分。

实现提示：

• 用HTML/Markdown/PDF结构解析库。

• 以章节/

  、

  等作为块的根。

• 如果某部分太大，就回退到递归切分。

• 对于表格/图片，要么单独作为一个块，要么总结其内容。

5. 延迟分块（Late Chunking / 动态/查询时分块）

定义
延迟分块是指推迟文档的切分，直到查询时才决定。不是提前把所有内容切好，而是存储更大的段落甚至整个文档。收到查询时，只对相关段落动态切分（或过滤）。这样做的目的是在embedding时保留完整上下文，只在必要时切分。

Weaviate将延迟分块描述为“颠倒传统的embedding和chunking顺序”。

• 先用长上下文模型对整个文档（或大段）做embedding。
• 然后池化并创建块的embeddings（基于token范围或边界线索）。

概念流程：

• 在索引中存储大段或整个文档。
• 查询时，检索1-2个最相关的段落。
• 在这些段落中，动态切分（比如语义或重叠）出匹配查询的部分。
• 过滤或排序这些块，喂给生成器。

这种方法就像编程中的late binding，推迟到有更多上下文时再决定。

适用场景：

• 大型文档集（技术报告、长篇内容），跨段落的上下文很重要。
• 文档内容经常变化的系统，避免重新切分节省时间。
• 高风险或精度敏感的RAG应用（法律、医疗、监管），误解代词或引用可能代价高昂。

听起来很高级，但它也有成本。
对整个文档（或大段）做embedding计算成本高，可能需要支持长token限制的模型。
查询时的计算成本和潜在延迟也会更高。

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！

06 90+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~】