RAG 切分策略全解：为什么你的检索总是召回一堆废话

很多人搭 RAG 时把精力全花在选模型和调提示词上，却忽略了一个更致命的问题：你的文档被切成了什么样。切分（chunking）决定了检索单元的信息完整性，切错了，再强的模型也召不回有用内容。

一、切分本质是在做取舍

每段文本被切成块后要单独转向量。块太大，噪声多、语义被稀释；块太小，上下文断裂、答案不完整。所有策略都在”信息完整”和”检索精度”之间找平衡。

二、四种主流切分策略

1. 固定长度切分

按 token 数硬切，比如每 500 token 一块，带 50 token 重叠。

• 优点：实现简单、速度快、成本可控。
• 缺点：会把一句话、一张表格拦腰截断。
• 适用：结构松散、没有明显层级的日志、聊天记录。

2. 递归字符切分

按”段落 → 句子 → 词”的优先级递归尝试，能在自然边界断开。

• 优点：基本不破坏句子，兼容各种文本。
• 缺点：不保证语义主题一致，一段可能混多个主题。
• 适用：通用默认选项，绝大多数知识库先用它。

3. 语义切分

计算相邻句子嵌入的相似度，低于阈值处断开，保证每块讲同一件事。

• 优点：主题一致性强，召回精准。
• 缺点：块大小不均，计算开销大。
• 适用：长篇论述、法律条款、学术论文。

4. 父子切分（Parent-Child）

检索用小儿子（子块），生成用大父块。子块精准命中，父块提供完整上下文。

• 优点：兼顾检索精度与答案完整性，目前效果最好的方案之一。
• 缺点：存储和检索逻辑更复杂。
• 适用：高价值知识库、客服问答、技术文档。

三、按文档类型选策略

文档类型	推荐策略	关键参数
技术文档 / API	递归 + 按标题	保留代码块完整
长论述 / 论文	语义切分	相似度阈值 0.75 左右
表格 / 财报	整表成块，不切	附加表头描述
客服 FAQ	一问答一块	问题+答案绑定
杂类网页	递归字符	500 token / 50 重叠

四、三个常被忽视的细节

1. 元数据别丢：每个块都带上来源、章节标题、页码。检索时可过滤，回答时可引用。
2. 重叠要适度：50–100 token 重叠能救回跨块语义，太多则浪费存储、拉高重复。
3. 加”块摘要”：切分后让模型为每块生成一句话摘要，一并入库，检索命中率能明显提升。

五、验证切分是否合格

别凭感觉改参数，做一套可量化的检查：

• 抽 20 个真实问题，看正确内容是否排进 Top 3。
• 随机翻看切好的块，检查有没有”半句话开头”。
• 对比不同策略的召回率与最终答案评分。

切分不是一次性配置，而是随语料变化持续调优的工程活。先把切分做对，RAG 才谈得上调优。