RAG Chunking 2.0:提升文档分块效果的一些经验

在基于大语言模型的RAG系统里，文本分块是非常关键的一步。分块做得好，后续的向量检索、结果召回和生成质量都会更稳更准。除了大家常用的固定大小、递归、语义、按文档等切法，至少还有好几种策略，能显著提升检索准确率、保持上下文连续，并适配不同任务。

---

1. 滑动窗口分块

概念

首先设定一个固定大小的窗口，再按设定的重叠量向前滑动，生成一系列重叠块，这样跨块边界的上下文更不容易丢。

使用场景

适合追踪长文档里的「进展」「演变」「关系变化」，比如医疗记录、日志、历史报告等。

Python示例

def sliding_window_chunks(text, window_size=500, overlap=100):
    words = text.split()
    chunks = []
    start = 0
    while start < len(words):
        end = min(start + window_size, len(words))
        chunk = " ".join(words[start:end])
        chunks.append(chunk)
        if end == len(words):
            break
        start = end - overlap
    return chunks

# 用法示例
doc = """...一段非常长的文本..."""
chunks = sliding_window_chunks(doc, window_size=500, overlap=100)
print(f"Generated {len(chunks)} chunks.")

重叠比例可按任务重要性调整，比如医疗记录这些高信息密度的可以达到20%左右，而普通文档只需10%左右即可。

---

2. 自适应分块

概念

不同于固定大小，自适应分块会尽量把自然文档单元（如条款、段落、章节）放在同一个块里，同时遵守最大token数约束。 这种方法典型的应用是法律法规等文档，因为这些文档通常有明确的章节或段落结构，可按「每一章」「每一节」进行分块处理。

使用场景

非常适合结构化文档：法律合同、协议、白皮书、政策文件等。

Python示例

import re

def adaptive_chunking(text, min_tokens=800, max_tokens=1200, boundary_pattern=r"SECTION\s+\d+:"):
    sections = re.split(boundary_pattern, text)
    chunks = []
    for sec in sections:
        # 简化：如果 sec 很长，进一步拆分
        words = sec.split()
        if len(words) <= max_tokens:
            chunks.append(sec.strip())
        else:
            # 简单按句子拆
            current = []
            for w in words:
                current.append(w)
                if len(current) >= max_tokens:
                    chunks.append(" ".join(current))
                    current = []
            if current:
                chunks.append(" ".join(current))
    return chunks

# 用法
contract_text = """SECTION 1: ... SECTION 2: ..."""
chunks = adaptive_chunking(contract_text, min_tokens=800, max_tokens=1200)
print(len(chunks))

需要根据文档类型，使用正确的正则表达式识别边界，从而来提高质量。 此外，应该尽量避免在逻辑单元中间硬拆，否则上下文容易被破坏。除非块的大小仍旧不满足要求，才允许在逻辑单元中间进行拆分。

---

3. 基于实体分块

概念

先做命名实体识别，再按实体把相关句子聚到同一块里，而不是只按原文顺序切。

使用场景

适合知识库、以实体为核心的QA、新闻档案检索等。比如问「某某人这周做了什么？」，事先把该实体相关内容聚到一起，检索更高效。

Python 示例

import spacy
from collections import defaultdict

nlp = spacy.load("en_core_web_sm")

def entity_based_chunks(text):
    doc = nlp(text)
    entity_map = defaultdict(list)
    for sent in doc.sents:
        ents = {ent.text for ent in sent.ents}
        for e in ents:
            entity_map[e].append(sent.text)
    return {entity: " ".join(sents) for entity, sents in entity_map.items()}

text = """Elon Musk announced a new AI initiative. Tesla unveiled its Model Y refresh. SpaceX launched its Starship test flight."""
chunks = entity_based_chunks(text)
for entity, chunk in chunks.items():
    print(f"Entity: {entity}\nChunk: {chunk}\n")

可用特定的NER模型来识别实体。 每个实体生成一个块时，注意句子可能属于多个实体，存在重叠，可以按照重要性或者其他策略进行归类。

---

4. 混合分块

概念

从名字就可以看出来，可以把多种分块策略组成Pipeline：先按结构拆分，再做语义聚类，最后做实体保留。这样能兼顾结构、语义和实体三方面的优势。

使用场景

适合技术文档、API 文档、软件说明、混合内容（文本 + 代码）等。单一策略很难同时兼顾结构完整性、语义聚合和实体识别时，可以使用混合策略。

Python 示例

def hybrid_chunking(text):
    # Step1: Recursive split by headings
    sections = text.split("\n## ")
    chunks_stage1 = [sec for sec in sections]
    # Step2: Within each section, semantic cluster paragraphs (reuse previous code)
    paragraphs = [sec.split("\n") for sec in chunks_stage1]
    chunks_stage2 = []
    for paras in paragraphs:
        chunks_stage2.extend(topic_based_chunks(paras, n_clusters=2))
    # Step3: Entity preservation: ensure entity sentences stay with their chunk
    final_chunks = []
    for chunk in chunks_stage2:
        # simple heuristic: if entity appears, include nearby sentences
        final_chunks.append(chunk)
    return final_chunks

text = """## Authentication Methods … ## Error Handling … ## Rate Limiting … """
chunks = hybrid_chunking(text)
print(len(chunks))

Pipeline可以按照这种顺序处理：结构 → 语义 → 实体，由简到难。

---

5. 任务感知分块

概念

根据下游任务类型（如摘要、检索、问答等不同需求）选择不同分块规则。同一内容可以针对不同任务生成不同的分块方案。

使用场景

比如对代码库做摘要时，用更小的函数级分块；做检索时，按函数签名＋文档字符串成块；做QA时，按类或模块级别成块。

Python 示例

def task_aware_chunking(code_text, task='search'):
    if task == 'summarization':
        # chunk size small: 20-30 lines per function
        return code_text.split("\n\n")  # 简化版
    elif task == 'search':
        # chunk: function signature + docstring
        chunks = []
        for func in code_text.split("def "):
            if not func.strip(): continue
            chunks.append("def " + func.split("\n")[0])
        return chunks
    elif task == 'qa':
        # chunk: entire class definitions (~100-200 lines)
        return code_text.split("class ")
    else:
        return [code_text]

code = """class AuthenticationManager: … def authenticate … def refresh_token …"""
for task in ['summarization','search','qa']:
    print(task, len(task_aware_chunking(code, task)))

• 为不同任务维护不同配置（chunk 大小、策略、优先级）更稳。
• 同一语料可以面向多任务同时生成多个索引，每个任务一套策略。

---

6. 基于HTML/XML标签拆分

概念

解析 HTML 或 XML 的 DOM 结构，根据标签（如 <h2>、<section>、<div>）来确定chunk的边界，更好地保留页面结构。

使用场景

适合处理爬虫网页、博客文章、在线文档等含结构化标记的内容。优点是能保留页面结构，而不是盲目按词或句拆分。

Python 示例

from bs4 import BeautifulSoup

def tag_based_splitting(html, boundary_tags=["h2", "section"]):
    soup = BeautifulSoup(html, "html.parser")
    chunks = []
    for tag in soup.find_all(boundary_tags):
        # get text of this section
        section_text = tag.get_text(separator="\n")
        chunks.append(section_text)
    return chunks

html = """<article><h2>Introduction</h2><p>…</p><h2>Supervised Learning</h2><p>…</p></article>"""
chunks = tag_based_splitting(html)
for i, c in enumerate(chunks): print(i, c[:50])

注意标签嵌套：例如 <h3> 是否作为子块，还是合并到 <h2>，可以根据实际需求来定。

---

7. 基于抽象语法树的代码文件拆分

概念

针对代码文本，使用AST或语言特定模式识别函数、类、模块等逻辑边界来拆分。这种方法在很多Coding Agent出现，如Cursor，Trae等。

使用场景

适合开发文档、代码审查、自动生成文档、代码问答等场景。往往把整个类或函数作为一个 chunk，而不是简单按行数来切。

Python 示例

import ast

def code_specific_chunks(code):
    tree = ast.parse(code)
    chunks = []
    for node in tree.body:
        if isinstance(node, ast.ClassDef) or isinstance(node, ast.FunctionDef):
            start = node.lineno - 1
            end = node.end_lineno
            chunk = "\n".join(code.splitlines()[start:end])
            chunks.append(chunk)
    return chunks

code = """
class UserManager:
    def __init__(self):
        pass
    def add_user(self, name, email):
        pass

def helper_function(x, y):
    return x + y
"""
chunks = code_specific_chunks(code)
for c in chunks:
    print("Chunk:", c.splitlines()[0])

可用ast来处理Python，或更通用的Tree-Sitter以支持更多的编程语言。 可以适当保留注释和docstring，以增强可读性和语义。

---

8. 正则表达式分块

概念

基于可预测的文本模式（时间戳、分隔符、标记等），用正则表达式定位拆分边界。每次匹配产生一个新块。

比如Jina-AI之前发布过的一个正则模板，号称使用正则表达式解析整本书《爱丽丝梦游仙境》只需要2毫秒，总共产生了1204个块。

使用场景

这种方法理论上能提取所有格式，但是需要根据实际情况调整正则表达式模式。

Python 示例

# 比如可以从日志记录中按时间戳进行切分
import re

def regex_chunking(text, pattern=r"\[\d{4}-\d{2}-\d{2} \d{2}:\d{2}:\d{2}\]"):
    parts = re.split(pattern, text)
    chunks = []
    for part in parts:
        if part.strip():
            chunks.append(part.strip())
    return chunks

log = """[2025-01-15 10:23:45] INFO: User john logged in
[2025-01-15 10:24:12] ERROR: DB connection failed
[2025-01-15 10:24:15] INFO: Retrying…"""
chunks = regex_chunking(log)
for c in chunks:
    print("Chunk:", c[:50])

---

一些实践经验

在选择文本分块策略时，一般需要从最简单的入手，如按照固定的chunk size进行切分，待效果稳定后再逐步升级到更复杂的方案。 在评估环节，需要通过检索准确率和响应质量等指标衡量实际效果，必要时可进行A/B测试。

此外，可以按照如下的技巧来快速选择合适的分块策略：

类型	分块策略
需要保留跨边界上下文	滑动窗口
处理合同、协议类文档	自适应分块
构建实体知识库	实体分块
内容复杂、结构多样	混合分块
任务不同	任务感知分块
结构化 HTML／XML 网页	标签拆分
代码内容	代码专用拆分
日志／流水／带标记文本	正则分块

---

总结

对于实际的应用来说，并没有包罗万象的分块方法，包括上面的提到这些分块策略，也并不能保证能够完美提升RAG的效果，只是在不同场景下的一种折衷方案而已。

好的分块策略不只是「把文本切成块」，而是要同时考虑 内容类型／任务类型／文档结构，再选择或组合合适的方法， 让RAG系统更好地利用上下文、提供更准的答案，并提升整体体验。

掌握上面的几种策略，并结合自己正在做的场景做一些实验，通常都能带来很可观的提升。