一、为什么切分是 RAG 的”地基”
RAG 不能把整本书丢给大模型(上下文窗口 + 成本 + 检索精度都顶不住)。关键是因为：切分过大→噪音多、匹配差;切分过小→代词/上下文丢失、易幻觉。“语义完整性 × 检索精度”的平衡点就是切分策略的核心目标。
Amir Teymoori 与 Chroma 2025 研究都把这一步列为”RAG 成败的第一变量”。
二、8 种主流切分策略(按复杂度递增)
1. 固定大小切分 (Fixed-size)
最朴素——按字符数 / Token 数切,带 overlap。
def fixed_size_chunk(text, chunk_size=512, overlap=50): chunks, start = [], 0 while start len(text): chunks.append(text[start:start+chunk_size]) start += chunk_size - overlap return chunks
问题:不懂结构,容易把句子/列表/代码块从中间切断。适用:高度统一的文本(短消息、社交帖子)。
2. 递归字符切分 (Recursive Character)——LangChain 默认,生产环境 80% 的选择
按分隔符列表从大粒度到小粒度依次尝试,满足大小就停。默认 separators:
[”nn”, ”n”, ” ”, ””]
也就是:段落 → 行 → 词 → 字符。这样能最大程度保留语义单元。
from langchain_text_splitters import RecursiveCharacterTextSplittersplitter = RecursiveCharacterTextSplitter( chunk_size=512, chunk_overlap=50, length_function=len, separators=[”nn”, ”n”, ”. ”, ”? ”, ”! ”, ” ”, ””])chunks = splitter.split_text(your_text)
结论来源:LangChain 官方实现;Chroma 2025 研究指出「400 token + 10–20% overlap」配合 text-embedding-3-large 可达88–89% recall。
3. 文档结构切分 (Document-based)
按格式专属结构切:
MarkdownHeaderTextSplitter
按 #/##/###标题切,保留层级 metadataMarkdownTextSplitter
按 Markdown 自身语义切(分隔符含代码块围栏 ` ““)
通常两者串联用:先用 MarkdownHeaderTextSplitter 沿标题分大块,再把每个大块喂给 RecursiveCharacterTextSplitter 控大小——既保结构又保长度。
4. 句子切分 (SentenceSplitter)
按句号/问号/感叹号断句,适合对句子语义完整性要求高的场景(FAQ、对话)。
5. 语义切分 (Semantic Chunking)——质量天花板
按”句间相似度”找主题切换点:
from langchain_experimental.text_splitter import SemanticChunkerfrom langchain_openai import OpenAIEmbeddingssplitter = SemanticChunker( OpenAIEmbeddings(), breakpoint_threshold_type=”percentile”, breakpoint_threshold_amount=50)
-
用句向量之间的余弦相似度,相似度骤降处即切点 -
Chroma 研究:LLM 语义切分可达 91.9% recall(所有策略最高) -
代价:每句都要 embedding,成本线性增加
6. LLM 驱动切分 (LLM-based)
让 LLM 自己读完整文,决定”在哪里切最合理”。质量高但贵且慢,适合一次性处理关键文档。
7. Agentic 切分 (Agentic)
让 Agent 按文档类型动态选策略(Markdown 一种、代码一种、对话一种)。Amir Teymoori 预测:2025 下半年 Agentic Chunking 会进入主流生产级 RAG。
8. Late Chunking / 层次 / 父子切分
-
Late Chunking:先 embed 整篇文档,再在 embedding 序列上切——保留跨块上下文(尤其代词消解) -
父子切分:父块 1024-2048 token 给 LLM 推理,子块 256-512 token 做检索命中——适合”既要全局又要局部”的法律/技术文档
三、关键参数怎么定(选型决策的核心)
|
|
|
|
|---|---|---|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
from_language |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
tiktoken |
|
关键原则:chunk_overlap 必须是和 chunk_size 同单位(都是 token 或都是 char),否则行为会”对不上”。
四、RecursiveCharacterTextSplitter 的三种合并场景
针对”递归切分器遇到 chunk 不足 512 时的三种行为”(LangChain 实现细节):
|
|
|
|
|---|---|---|
|
|
|
|
|
|
|
chunk_size 是上限,不是目标值) |
|
|
nn 段本身就 > 512(如 1000 字) |
n(行)→ 句号 → 空格 → 逐字 强制切到 ≤ 512 |
举例(场景 A):碎片1(200 字) + 碎片2(200 字) = 400 字(≤ 512),继续合并碎片3(200 字)→ 600 字(> 512)。此时碎片1 + 碎片2 合成一个 Chunk(400 字),碎片3 作为新 Chunk 的开头。
中文场景建议把句号、逗号加进 fallback 链:
separators=[”nn”, ”n”, ” ”, ”。”, ”，”, ””]
确保长段落不会被硬砍在英文逗号或空格上。
五、Markdown 文档的标准两阶段流水线
from langchain_text_splitters import MarkdownHeaderTextSplitter, RecursiveCharacterTextSplitter # 阶段 1:按标题分层(保留 H1/H2/H3/H4 作为 metadata)_MD_HEADER_SPLITTER = MarkdownHeaderTextSplitter( headers_to_split_on=[ (”#”, ”H1”), (”##”, ”H2”), (”###”, ”H3”), (”####”, ”H4”), ], strip_headers=False,) # 阶段 2:把每个大块再按长度切(中英文混合分隔符)_CHAR_SPLITTER = RecursiveCharacterTextSplitter( chunk_size=512, chunk_overlap=100, separators=[”nn”, ”n”, ” ”, ”。”, ”，”, ””],) def load_document(file_path: str) -> list: ”””统一文档加载入口,扩展时可在此加格式分发””” raw = open(file_path, encoding=”utf-8”).read() md_docs = _MD_HEADER_SPLITTER.split_text(raw) return _CHAR_SPLITTER.split_documents(md_docs)
关键点:阶段 1 的输出带 metadata(比如 {“H1″:”第二章”,”H2″:”2.1 概述”}),检索时命中后可在 prompt 里把这些层级带回去——显著提升答案的”上下文还原度”。
六、选型决策树(实战速查)
内容是什么?├── 高度统一(短消息) → 固定大小├── 结构化 Markdown / HTML → 文档结构(标题) + 递归字符(两阶段)├── 代码 → RecursiveCharacterTextSplitter.from_language()├── 叙事/技术长文 → 语义切分 / Late Chunking├── 高价值低数量 → LLM 驱动└── 内容异构(混合仓库) → Agentic / Hybrid chunk_size 选多少?├── 默认起手 → 512 token + 10% overlap├── 短问答 → 200–400 token└── 论文/手册 → 512–800 token,overlap 5–10% 要不要做父子切分?├── 只要检索快 → 单层└── 还要给 LLM 长上下文推理 → 父子(父 2048 / 子 256–512)
七、常见陷阱(Chroma / Databricks / Amir Teymoori)
-
切太小:代词丢失 → 幻觉。 -
切太大:噪音多 + 占 token 多 → 慢 + 贵。 -
零 overlap:跨块查询的关键词会正好落在边界外,漏召回。 -
无视结构:在表格/列表/代码中间切断。 -
一套参数打天下:FAQ 适用 ≠ 论文适用。 -
不评测就上线:切分是唯一必须用真实查询评估的环节——A/B 不同策略跑 recall@n 再说。 -
length_function = len:中文 / emoji / 多字节字符,字符数 ≠ token 数,容易超出 embedding 模型 512 上下文。生产建议换 tiktoken。
