本次查询：Parent-Child Chunking
中文解释：父子分块
常见场景：文档检索与问答系统
一句话解释
Parent-Child Chunking是一种将文档拆分为“父块”（包含完整上下文）和“子块”（更细粒度片段）的分块方法，检索时先用小粒度子块匹配用户问题，再关联到大粒度父块来提供回答，兼顾精度与上下文完整性。
为什么会被关注
传统单一粒度分块要么丢失上下文，要么检索不够精准。Parent-Child Chunking通过两层结构让AI既能看到局部细节，又能理解整体脉络，显著减少幻觉和答非所问。
在RAG（检索增强生成）流行后，开发者发现问答质量很大程度上取决于分块策略。父-子分块提供了一种无需复杂模型的折中方案，容易集成到现有流程中，因此受到工程社区关注。
核心逻辑
处理时，先按较大的窗口（如500-1000 token）切分文档作为父块，再在父块内部按更小窗口（如100-200 token）切分子块，并建立子块到父块的映射关系。
检索阶段，用户查询与所有子块计算相似度，召回最相关的子块后，通过映射找到其所属父块，最后将父块内容作为上下文输入给大语言模型生成答案。这样既利用了子块的精准匹配，又保留了充足的上下文。
常见场景
知识库问答：企业内部文档、产品手册等长文本问答，用户问题可能涉及某一段细节，而答案需要引用前后文才能完整，此时父子分块能更好满足需求。
多轮对话与引用溯源：在客服或法律场景中，需要准确指出答案来源的具体段落，同时让AI理解整条条款的语境，父子分块天然支持这种分层引用。
容易混淆的点
与“滑动窗口分块”不同，滑动窗口只是连续重叠切片，没有明确的主从关系；而父-子分块强调大块包裹小块，是一种层级结构，而非简单重叠。
也容易与“块状检索”（如Character-Level Chunking）搞混。后者只关注字符边界，不维护语义层级；父-子分块依赖语义段落或固定token数，但必须有父子关联元数据，实现思路完全不同。