分块策略在RAG中至关重要，目的是提高效率、相关性和上下文保持。分块能减少计算开销，增加检索相关信息的可能性，同时保持信息完整性。但也存在风险，如上下文丢失、冗余和不一致性。选择策略需考虑文档类型（结构化 vs 非结构化）、查询复杂性、资源可用性和期望结果（速度 vs 准确性 vs 上下文）。
以下是13种独特分块策略的详细描述，按策略名称、描述、优点、缺点和实施建议。仅供参考。
| 策略名称 | 描述 | 优点 | 缺点 | 实施建议 |
|---|---|---|---|---|
| 固定长度分块 | ||||
| 将文本按预定义长度（如基于令牌或字符）分割，适合简单文档或快速处理。 | ||||
| 简单性、统一性、效率 | ||||
| 上下文丢失、相关性问题、潜在信息丢失 | ||||
| 选择合适大小，考虑使用重叠窗口以保持上下文 | ||||
| 基于句子的分块 | ||||
| 按句子边界分割，确保每个块是完整的思想，适合短响应如客户查询。 | ||||
| 保持上下文、易于实现、更好的可读性 | ||||
| 块大小不一致、不适合长句、控制力弱 | ||||
| 使用NLP库检测句子，必要时合并短句 | ||||
| 段落分块 | ||||
| 将文档按段落分割，每个段落通常包含完整想法或主题，适合结构化文档。 | ||||
| 更丰富的上下文、逻辑分割 | ||||
| 大小不一致、可能超出行牌限制 | ||||
| 监控块大小，必要时分割大段落以保持上下文 | ||||
| 文档分块 | ||||
| 将整个文档视为一个块或最小分割，保持完整结构和上下文，适合法律或医学文档。 | ||||
| 保持完整上下文、适合结构化文本、简单 | ||||
| 可扩展性问题、效率低、缺乏细节提取 | ||||
| 适用于不希望分割影响流程的场景 | ||||
| 滑动窗口分块 | ||||
| 通过滑动窗口创建重叠块，确保相邻块共享内容，适合需保持跨部分上下文的文档。 | ||||
| 上下文连续性、提高检索效果 | ||||
| 冗余、计算成本高 | ||||
| 优化窗口大小和重叠，使用去重技术处理冗余 | ||||
| 语义分块 | ||||
| 使用嵌入或机器学习模型按语义意义分割，确保每个块主题连贯。 | ||||
| 上下文相关性、灵活性、提高检索准确性 | ||||
| 复杂性、处理时间长、计算成本高、阈值调整 | ||||
| 利用预训练模型，平衡成本和粒度 | ||||
| 递归分块 | ||||
| 使用层次分隔符或多个分隔符逐步分割为小块，适合大型结构化文档。 | ||||
| 层次上下文、可扩展性、意义块、细粒度控制 | ||||
| 实现复杂、可能丢失上下文、复杂性高、计算开销大 | ||||
| 使用文档结构标识层次，存储块位置元数据 | ||||
| 上下文增强分块 | ||||
| 为每个块添加周围块的摘要或元数据，保持序列间的上下文，适合长文档。 | ||||
| 增强上下文、提高连贯性 | ||||
| 复杂性、存储开销大 | ||||
| 生成简洁摘要，考虑用关键术语或概念作为元数据 | ||||
| 模式特定分块 | ||||
| 按内容类型（如文本、表格、图像）分别处理，每个类型按其性质分块。 | ||||
| 定制方法、提高准确性 | ||||
| 实现复杂、集成困难 | ||||
| 使用OCR处理图像，将表格转为结构化数据，保持索引一致 | ||||
| 代理分块 | ||||
| 使用AI（如大型语言模型）按内容结构和语义建议块边界，或按代理角色任务组织。 | ||||
| 任务导向效率、聚焦相关数据、灵活性、智能分割 | ||||
| 复杂设置、计算密集、成本高、可能过分专业化、丢失全局上下文 | ||||
| 选择性使用，优化LLM提示，明确代理角色和任务规则 | ||||
| 子文档分块 | ||||
| 总结整个文档或大节并将摘要作为元数据附加到单个块，适合大型文档集。 | ||||
| 层次检索、上下文深度 | ||||
| 额外处理、元数据管理复杂 | ||||
| 自动化摘要生成，高效存储摘要 | ||||
| 混合分块 | ||||
| 结合多种分块策略，动态适应不同查询类型或文档结构，适合多用途系统。 | ||||
| 灵活性、优化性能 | ||||
| 逻辑复杂、维护难度大 | ||||
| 制定选择策略的标准，广泛测试以确保可靠性 | ||||
| 基于令牌的分块 | ||||
| 按预定义令牌数（如单词或子词）分割，确保块在模型令牌限制内。 | ||||
| 优化语言模型、精确控制块大小、一致性 | ||||
| 上下文碎片化、忽略语义结构、灵活性有限 | ||||
| 确保块在模型令牌限制内 | ||||
选择策略时需考虑以下因素 ：
- 文档类型 ：结构化（如报告）适合段落分块，非结构化（如聊天记录）适合语义分块。
- 查询复杂性 ：复杂查询需语义或代理分块，简单查询可用固定长度分块。
- 资源可用性 ：计算资源有限时，优先固定长度或基于句子的分块。
- 期望结果 ：速度优先选固定长度，准确性优先选语义分块，上下文优先选滑动窗口。
关于作者：余俊晖，主要研究方向为自然语言处理、大语言模型、文档智能。曾获CCF、Kaggle、ICPR、CCL、CAIL等国内外近二十项AI算法竞赛/评测冠亚季军。发表SCI、顶会等文章多篇，专利数项。