檢索增強生成（RAG）是許多 AI 工程師又愛又恨的技術（包括我）。

沒錯，因為從理論上看，它簡單極了：“從你的定制數據中檢索正確的上下文，然后讓大語言模型基于此生成回答”。

但在實踐中，你不得不面對海量雜亂無章的數據 —— 這些數據以你見過的最混亂隨機的格式存儲，接著就是數日絞盡腦汁的試錯：

• 調整文本塊（tweaking chunks）
• 切換嵌入模型（switching embedding models）
• 替換檢索器（swapping out retrievers）
• 微調排序器（fine-tuning rankers）
• 重寫提示詞（rewriting prompts）

而模型依然回復：“我找不到足夠的信息來回答你的問題”。

更糟糕的是，它還會一本正經地輸出完全錯誤的答案（產生幻覺）。

毋庸置疑，RAG 系統中存在許多復雜的組件，但真正默默決定整個系統是否能正常運行的關鍵因素其實是分塊（chunking）。

不同的數據類型、文件格式、內容結構、文檔長度和使用場景，都需要匹配不同的分塊策略。

一旦出錯，你的模型要么抓不住重點，要么... 好吧，還是抓不住重點。

本文將解析 21 種分塊策略（從基礎到進階），并說明何時該用何種策略，讓你的 RAG 系統不再...掉鏈子。

1.基礎分塊法（按換行符分割）Naive chunking (split by newline)

遇到換行符就分割文本。僅此而已。

基礎分塊法示例 | 此圖片由原文作者制作

適用場景：

• 處理由換行符統一分隔的文本：筆記、項目列表、FAQ、聊天記錄或每一行都包含完整語義的文字轉錄稿。

注意：如果內容行過長，可能超出 LLM 的詞元限制。如果內容行過短，模型可能遺漏上下文或產生幻覺。

2.定長分塊法 Fixed-size/ fixed window chunking

按固定字符數/單詞數切割文本（即便這樣會切斷完整句子或語義單元）。

image.png

定長分塊法示例 | 此圖片由原文作者制作

適用場景：

• 適用于原始的、雜亂的文本數據，如掃描文檔、質量較差的轉錄文本，或無標點、無標題、無其他結構的大型文本文件。

3.滑動窗口分塊法 Sliding window chunking

類似定長分塊，但每個文本塊會與前塊內容重疊，以保持跨塊上下文之間的關聯。

滑動窗口分塊法示例 | 此圖片由原文作者制作

適用場景：  

• 處理需要保持長句間邏輯連貫性的文本類型：議論文、敘述性報告、自由形式的寫作等。
• 與定長分塊法類似，適用于無結構的文本（無標題、無標點、無框架等），但需注意詞元消耗與上下文連貫性間的平衡。

4.按句分塊法 Sentence-based chunking

在句子結尾處分割文本（通常以句號、問號或感嘆號為標記）。

按句分塊法示例 | 此圖片由原文作者制作

適用場景：  

• 適用于語義清晰的規整文本，每句話都承載著完整的語義，如技術博客、內容摘要或文檔。
• 可作為初級的分塊手段產出小而聚焦的文本塊，便于后續通過更復雜的分塊技術重新組合或重排序這些文本塊。

5.按段分塊法 Paragraph-based chunking

依據段落分割文本（通常以雙換行符為界），使每塊均包含完整的語義單元。

按段分塊法示例 | 此圖片由原文作者制作

適用場景：  

• 當按句分塊所得內容過于零碎時  
• 處理已具備段落結構的文檔，如議論文、博客文章或研究報告

6.按頁分塊法 Page-based chunking

將每個物理頁面視為一個獨立文本塊。

按頁分塊法示例 | 此圖片由原文作者制作

適用場景：  

• 處理含固定頁面的文檔，如掃描版 PDF、演示文稿或書籍。
• 需保留頁面布局的檢索場景（如在檢索時需要引用頁碼）。

7.按預定結構分塊法 Structured chunking

依據預定結構（如具有固定格式的系統日志記錄、結構化數據中的預定義字段、HTML 標簽或 Markdown 元素）分割文本。

按預定結構分塊法示例 | 此圖片由原文作者制作

適用場景：

• 處理結構化/半結構化數據，如系統日志、JSON 記錄、CSV 文件或 HTML 文檔。

8.基于文檔層級的分塊法 Document-Based Chunking

基于文檔固有結構分塊（按標題/小標題/章節劃分）。

基于文檔層級的分塊法示例 | 此圖片由原文作者制作

適用場景：  

• 當源文件具備清晰的章節結構時，如在技術文章、操作手冊、教材或學術論文中。
• 可作為進階分塊技術（如按層級分塊（hierarchical chunking））的預處理步驟。

9.基于關鍵詞的分塊法 Keyword-based chunking

在預設關鍵詞出現處分割文本，將其視為邏輯斷點。

基于關鍵詞的分塊法示例（關鍵詞為“Note”）| 此圖片由原文作者制作

適用場景：  

• 文檔無標題結構但含標志性的關鍵詞（且這些關鍵詞可穩定標記新主題的起始）時使用

10.基于實體的分塊法 Entity-based chunking

使用命名實體識別（NER）模型檢測人物、地點、產品等實體，將相關文本圍繞每個實體分組形成區塊。

基于實體的分塊法示例 | 此圖片由原文作者制作

適用場景：  

• 處理特定類型的實體（人物/地點/組織等）對文檔理解起決定性作用的文件，如新聞報道、法律合同、案例研究或電影劇本。

11.基于詞元數的分塊法 Token-based chunking

通過 tokenizer（分詞器）按詞元數量分割文本。

建議結合按句分塊法（sentence chunking）等技術使用，避免破壞句子完整性導致上下文被破壞。

適用場景：  

• 無標題/無段落結構的非結構化文檔。
• 使用低詞元限制的 LLM 時（避免響應被強制截斷或長文本輸入被丟棄）。

12.基于主題的分塊法 Topic-based chunking

當文本主題發生變化時，可以通過以下方式對文本進行分塊：

• 首先，將文本拆分為小單元（句子/段落）
• 然后，使用主題建模或聚類算法將相關單元合并為區塊

基于主題的分塊法示例（使用聚類算法） | 此圖片由原文作者制作

適用場景：

• 當文檔涵蓋多個主題，且需保持語義焦點時。
• 適用于主題轉變較為平緩但未通過明確的標題或關鍵詞標注的文本。

13.表格感知分塊法 Table-aware chunking

獨立識別表格內容，并按 JSON 或 Markdown 格式分塊（可逐行/逐列/整表處理）。

表格感知分塊法示例 | 此圖片由原文作者制作

適用場景：

• 含表格元素的文檔。

14.內容感知分塊法 Content-aware chunking

根據內容類型動態調整分塊策略（為段落/表格/列表等內容適配不同規則）。

適用場景：  

• 混合格式的文檔（含多種文本結構）。
• 需保持原生格式完整性的場景（表格不分割/段落不截斷等）。

15.上下文增強分塊法 Contextual chunking

通過 LLM 實現：

• 分析知識庫的部分或全部內容。
• 在嵌入前為每個文本塊注入簡短且相關的上下文

上下文增強分塊法示例 | 此圖片由原文作者制作

適用場景：  

• 知識庫的全部內容或部分內容在 LLM 的詞元限額內。
• 處理復雜文檔（如財報/合同等）。

16.語義分塊法 Semantic chunking

基于嵌入相似度聚合主題相關的句子/段落，保持語義聚焦性。

適用場景：  

• 當按段分塊法或定長分塊法失效時  
• 處理含混雜主題的長文檔。

17.遞歸分塊法 Recursive chunking

首先使用大粒度的分隔符（如段落）分割文本。

如果任何生成的分塊超過預設的分塊大小限制，對這些區塊遞歸使用小粒度分隔符（如句子或單詞）進行分割，直至所有分塊都符合所需大小。

適用場景：  

• 處理句子長度不規則或不可預測的文本，如訪談記錄、演講內容、自由形式的寫作內容。

18.嵌入優先分塊法 Embedding chunking

常規流程是先分塊后嵌入，但此方法先將所有句子全部嵌入，再按順序逐一處理，若相鄰句的相似度高于設定閾值則合并為一組，低于閾值則進行拆分。 

適用場景：  

• 無結構（無句子分隔/標題/章節符/標記等）的文檔
• 當基礎技術（如滑動窗口分塊法）效果不佳時

19.基于大模型/智能體的分塊法 Agentic / LLM-based chunking

將分塊的決策權完全交由 LLM，由其自主決定文本的分割方式。

適用場景：  

• 當內容復雜或結構不明確，需要類似人類的判斷力來確定分塊邊界時

注意：該方法計算成本較高。

20.分層分塊法 Hierarchical chunking

將文本按照多個層次（如章節、子章節、段落）進行分塊，以便用戶能夠以不同詳細程度檢索信息。

image.png

適用場景：  

• 具備清晰層次結構的文檔，如技術文章、手冊、教材、研究論文等
• 希望用戶在不丟失上下文的情況下，同時探索整體概述和詳細信息。

21.多模態分塊法 Modality-Aware Chunking

針對不同內容類型（文本、圖像、表格）實施差異化的分塊策略。

多模態分塊法示例 | 此圖片由原文作者制作

BONUS：混合分塊法 Hybrid chunking

融合多種分塊技術、啟發式規則、嵌入模型以及 LLM 來提升分塊過程的可靠性。

適用場景：  

• 單一分塊方法效果不足時，需組合方案應對復雜的數據結構。