文档切块是RAG系统的核心灵魂，掌握这15种神技，让你的AI模型“消化”效率飙升！
核心内容：
- Chunking的核心原理与三大关键考量因素
- 15种实用切块技术详解（附代码示例）
- 不同场景下的最优切块策略选择指南
❝你以为RAG系统的“聪明才智”全靠大模型？错！真正的高手，都赢在切块（Chunking）上！
一、前言：RAG系统的“吃饭哲学”
在RAG系统里，文档切块这件事，其实藏着不少门道。今天咱们聊点硬核又接地气的：RAG系统中的文档切块（Chunking）。
你是不是也遇到过这种尴尬：明明有一份厚厚的文档，想让大模型帮你总结、问答、检索，结果模型一脸懵——“对不起，token太多，我吃不下！”
别急，这不是模型太菜，而是你没掌握切块的艺术。
RAG（Retrieval-Augmented Generation，检索增强生成）系统，已经是NLP圈的“顶流”了。无论是智能问答、知识库、文档摘要，还是企业内部的智能检索，RAG都能大显身手。但你要让它“吃得好、消化快、输出香”，Chunking（文档切块）绝对是核心秘诀。
今天，咱们就一口气盘点15种Chunking神技，让你的RAG系统聪明到飞起！
二、Chunking到底是啥？为啥这么重要？
1. Chunking的本质
Chunking，直译就是“切块”。在RAG系统里，就是把一份大文档，拆成模型能“咀嚼”的小块。
为什么要切？
- 模型有token上限（比如GPT-4最多8K tokens），文档太长直接塞进去，模型会“噎住”。
- 不切块，检索时很难精准定位答案，模型容易“漏看”关键信息。
- 切得太碎，语义断裂，模型“看不懂”；切得太大，token爆表，模型“吃不下”。
所以，Chunking不是简单的“切”，而是信息架构的艺术。
你要在“保留上下文”和“适配模型能力”之间，找到那个黄金分割点。
2. Chunking的三大核心考量
块的大小（Chunk Size）
太大，token超限，检索慢；太小，语义丢失，生成质量差。
建议：100~500 tokens/块，根据模型实际能力灵活调整。上下文保留（Context Preservation）
切块不能“断句断意”，否则模型“看不懂”。
滑动窗口、语义切块等方式，可以有效保留上下文。多模态处理（Modality Handling）
文档里可能有表格、图片、代码块，不同内容类型要用不同切块策略。
三、15种Chunking神技大盘点
来，直接上干货。这15种方法，从基础到进阶，总有一款适合你的场景。
1. 固定大小切块（Fixed-Size Chunking）
原理：按固定词数或token数切分。
适用：结构简单的小文档。
优点：实现简单，速度快。
缺点：可能切断句子，丢失语义。
def fixed_size_chunk(text, max_words=100):
words = text.split()
return [' '.join(words[i:i + max_words]) for i in range(0, len(words), max_words)]
2. 句子切块（Sentence-Based Chunking）
原理：按句子边界切分。
适用：需要保留语义完整性的文档。
优点：语义清晰，上下文连贯。
缺点：句子长度不一，chunk大小不稳定。
import spacy
nlp = spacy.load("en_core_web_sm")
def sentence_chunk(text):
doc = nlp(text)
return [sent.text for sent in doc.sents]
3. 段落切块（Paragraph-Based Chunking）
原理：按段落切分。
适用：结构清晰的文档，如论文、报告。
优点：自然分段，语义完整。
缺点：段落长度不一，可能超token限制。
def paragraph_chunk(text):
return text.split('nn')
4. 语义切块（Semantic Chunking）
原理：基于语义相似度进行切块。
适用：技术文档、复杂文本。
优点：上下文保留好。
缺点：实现复杂，需依赖模型。
def semantic_chunk(text, max_len=200):
doc = nlp(text)
chunks = []
current_chunk = []
for sent in doc.sents:
current_chunk.append(sent.text)
if len(' '.join(current_chunk)) > max_len:
chunks.append(' '.join(current_chunk))
current_chunk = []
if current_chunk:
chunks.append(' '.join(current_chunk))
return chunks
5. 模态感知切块（Modality-Specific Chunking）
原理：文本、表格、图片分别处理。
适用：PDF、技术手册等混合内容文档。
优点：保留多种模态信息。
缺点：实现复杂。
def modality_chunk(text, images=None, tables=None):
text_chunks = paragraph_chunk(text)
return {'text_chunks': text_chunks, 'images': images, 'tables': tables}
6. 滑动窗口切块（Sliding Window Chunking）
原理：相邻chunk之间有重叠。
适用：法律、学术文档。
优点：上下文连贯。
缺点：内容重复，处理量大。
def sliding_window_chunk(text, chunk_size=100, overlap=20):
tokens = text.split()
chunks = []
for i in range(0, len(tokens), chunk_size - overlap):
chunk = ' '.join(tokens[i:i + chunk_size])
chunks.append(chunk)
return chunks
7. 层级切块（Hierarchical Chunking）
原理：按章节、段落、子段落分层切块。
适用：结构化文档，如论文、合同。
优点：保留文档结构。
缺点：实现复杂。
def hierarchical_chunk(text, section_keywords):
sections = []
current_section = []
for line in text.splitlines():
if any(keyword in line for keyword in section_keywords):
if current_section:
sections.append("n".join(current_section))
current_section = [line]
else:
current_section.append(line)
if current_section:
sections.append("n".join(current_section))
return sections
8. 内容感知切块（Content-Aware Chunking）
原理：根据内容特征动态调整切块策略。
适用：电子书、技术文档。
优点：灵活适应不同内容。
缺点：逻辑复杂。
def content_aware_chunk(text):
chunks = []
current_chunk = []
for line in text.splitlines():
if line.startswith(('##', '###', 'Introduction', 'Conclusion')):
if current_chunk:
chunks.append('n'.join(current_chunk))
current_chunk = [line]
else:
current_chunk.append(line)
if current_chunk:
chunks.append('n'.join(current_chunk))
return chunks
9. 表格感知切块（Table-Aware Chunking）
原理：将表格独立切块。
适用：财务报表、技术文档。
优点：保留表格结构。
缺点：格式可能丢失。
import pandas as pd
def table_aware_chunk(table):
return table.to_markdown()
10. Token级切块（Token-Based Chunking）
原理：按token数切块，适配Transformer模型。
适用：GPT、BERT等模型。
优点：适配模型限制。
缺点：可能切断句子。
from transformers import GPT2Tokenizer
tokenizer = GPT2Tokenizer.from_pretrained("gpt2")
def token_based_chunk(text, max_tokens=200):
tokens = tokenizer(text)["input_ids"]
chunks = [tokens[i:i + max_tokens] for i in range(0, len(tokens), max_tokens)]
return [tokenizer.decode(chunk) for chunk in chunks]
11. 实体感知切块（Entity-Based Chunking）
原理：基于NER识别实体进行切块。
适用：简历、合同、法律文档。
优点：保留实体信息。
缺点：需训练NER模型。
def entity_based_chunk(text):
doc = nlp(text)
return [ent.text for ent in doc.ents]
12. 主题切块（Topic-Based Chunking）
原理：使用LDA等主题模型进行切块。
适用：新闻、研究论文等多主题文档。
优点：按主题聚合信息。
缺点：需额外建模。
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.decomposition import LatentDirichletAllocation
def topic_based_chunk(text, num_topics=3):
sentences = text.split('. ')
vectorizer = CountVectorizer()
sentence_vectors = vectorizer.fit_transform(sentences)
lda = LatentDirichletAllocation(n_components=num_topics, random_state=42)
lda.fit(sentence_vectors)
# 省略主题分配逻辑
return sentences
13. 页面切块（Page-Based Chunking）
原理：按PDF页面切块。
适用：PDF文档。
优点：实现简单。
缺点：可能断句。
def page_based_chunk(pages):
return pages
14. 关键词切块（Keyword-Based Chunking）
原理：按关键词切分。
适用：结构清晰的文档。
优点：符合文档结构。
缺点：需预定义关键词。
def keyword_based_chunk(text, keywords):
chunks = []
current_chunk = []
for line in text.splitlines():
if any(keyword in line for keyword in keywords):
if current_chunk:
chunks.append('n'.join(current_chunk))
current_chunk = [line]
else:
current_chunk.append(line)
if current_chunk:
chunks.append('n'.join(current_chunk))
return chunks
15. 混合切块（Hybrid Chunking）
原理：结合多种策略。
适用：复杂文档。
优点：灵活强大。
缺点：实现复杂。
def hybrid_chunk(text):
paragraphs = paragraph_chunk(text)
hybrid_chunks = []
for paragraph in paragraphs:
hybrid_chunks += sentence_chunk(paragraph)
return hybrid_chunks
四、不同场景下，如何选对Chunking策略？
| 场景类型 | 推荐策略 |
|---|---|
| FAQ、客服系统 | 句子切块、关键词切块 |
| 学术论文 | 层级切块、语义切块 |
| 技术文档 | 表格感知切块、内容感知切块 |
| 多模态文档 | 模态感知切块、混合切块 |
| 法律文档 | 滑动窗口切块、实体感知切块 |
小贴士：
- 文档结构清晰，优先用“层级/关键词/段落”切块。
- 语义复杂，优先用“语义/滑动窗口/混合”切块。
- 有表格、图片，记得用“模态感知/表格感知”切块。
- Token卡得紧，直接“token级切块”走起。
五、结语：Chunking不是“切”，是“设计”！
很多人以为Chunking就是“把文档切碎”，其实这是信息架构的高级设计。
切得好，RAG系统如虎添翼；切得烂，模型再大也白搭。
最后送大家一句话：
❝“RAG系统的聪明，不在于模型多大，而在于你切块多巧。”
如果你正在做RAG系统，建议把这15种Chunking神技收藏起来，结合你的业务场景，灵活搭配，逐步优化。
让你的RAG系统，吃得下、消化好、输出香！