如何高效处理长文档？15种Chunking策略全面解析（打造高性能RAG系统）

最新推荐文章于 2025-08-03 15:32:57 发布

原创最新推荐文章于 2025-08-03 15:32:57 发布 · 949 阅读

29 ·

CC 4.0 BY-SA版权

文章标签：

#人工智能 #面试 #大模型 #职场和发展 #学习 #ai #程序员

一、前言：RAG系统的“吃饭哲学”

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，结果模型一脸懵逼——“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）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绝对是核心秘诀。

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（附代码&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('\n\n')

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

侃侃君小贴士：