1、RAG 系统的“痛点”：分块

对于许多 AI 工程师来说，检索增强生成（RAG）是一个让人又爱又恨的技术。理论上，它非常简单：从你的私有中知识库找到相关信息，然后让大语言模型（LLM）基于这些信息生成回答。但在实际操作中，面对海量混乱的数据，你往往会陷入无尽的调试循环：

• 调整文本块（Chunking）
• 切换嵌入模型（Embedding models）
• 更换检索器（Retrievers）
• 微调排序器（Rankers）
• 重写提示词（Prompts）

即便如此，你可能还是会收到模型冷冰冰的回复：“我找不到足够的信息来回答你的问题。”更糟糕的是，它还可能一本正经地输出完全错误的答案，也就是我们常说的“幻觉”。

2、核心秘诀：分块的艺术

RAG 系统中有许多复杂的组件，但分块（Chunking）才是默默决定整个系统成败的关键。不同的数据类型、文件格式、内容结构和使用场景，都需要量身定制的分块策略。一旦分块出错，你的模型就会“摸不着头脑”，无法精准地捕捉到核心信息。

为了解决这个难题，本文将深入解析 22 种分块策略，从基础到进阶，并为你提供何时该使用哪种策略的指南，让你的 RAG 系统真正高效运转。

下文详细剖析之。

RAG 21 种分块策略剖析

一、基础分块策略（处理简单的文本结构）

1. 基础分块法（按换行符分割）

• 原理：遇到换行符就分割文本，简单直接。
• 适用场景：适用于内容按行分隔的文本，比如：笔记、FAQ、聊天记录或每行都包含完整语义的转录稿。

2. 定长分块法（固定大小分块）

• 原理：按固定的字符数或单词数切割文本，即使会切断句子或语义单元。
• 适用场景：适用于原始、杂乱的非结构化文本，比如：扫描文档、质量较差的转录稿。

3. 滑动窗口分块法

• 原理：类似定长分块，但每个文本块与前一块有重叠，以保持上下文的连贯性。
• 适用场景：适合需要保持长句间逻辑关系的文本，比如：议论文、叙述性报告。

4. 按句分块法

• 原理：在句子结尾（句号、问号、感叹号）处分割文本。
• 适用场景：适用于语义清晰的规整文本，比如：技术博客、文档摘要。

5. 按段分块法

• 原理：依据段落（通常以双换行符为界）分割文本。
• 适用场景：当按句分块过于零碎时，或处理已具备段落结构的文档，比如：博客文章、研究报告。

6. 按页分块法

• 原理：将每个物理页面视为一个独立的文本块。
• 适用场景：适用于有固定页面的文档，比如：PDF、演示文稿，以及需要引用页码的检索场景。

二、高级分块策略（处理复杂的数据结构）

7. 按预定结构分块法

• 原理：根据固定的结构化元素（比如：HTML 标签、JSON 字段）分割文本。
• 适用场景：处理系统日志、JSON 记录、CSV 文件或 HTML 文档等结构化数据。

8. 基于文档层级的分块法

• 原理：根据文档本身的层级结构（标题、子标题、章节）进行分块。
• 适用场景：适用于有清晰章节结构的技术文章、操作手册、学术论文。

9. 基于关键词的分块法

• 原理：在预设关键词出现的地方分割文本，将它们作为新的逻辑断点。
• 适用场景：文档没有标题但有标志性关键词（如“Note”、“Summary”）时使用。

10. 基于实体的分块法

• 原理：使用命名实体识别（NER）技术，将与特定实体（人物、地点、产品）相关的文本分组。
• 适用场景：处理新闻报道、法律合同或任何实体对理解至关重要的文件。

11. 基于词元数的分块法

• 原理：通过分词器（Tokenizer）按词元数量分割文本。
• 适用场景：适用于无标题、无段落的非结构化文档，尤其是在 LLM 词元限制较低时。

12. 基于主题的分块法

• 原理：使用主题建模或聚类算法，将语义相关的句子或段落合并为一组。
• 适用场景：文档涵盖多个主题，且主题转换平缓，没有明确的标题或关键词标记。

13. 表格感知分块法

• 原理：独立识别并处理表格内容，将其转换为 JSON 或 Markdown 格式。
• 适用场景：处理包含表格的文档。

14. 内容感知分块法

• 原理：根据内容类型（段落、表格、列表）动态调整分块策略。
• 适用场景：处理混合格式的文档，需保持原生格式完整性的场景。

15. 上下文增强分块法

• 原理：在嵌入之前，使用 LLM 为每个文本块注入简短且相关的上下文。
• 适用场景：处理财报、合同等复杂文档，前提是知识库内容在 LLM 词元限制内。

16. 语义分块法

• 原理：基于嵌入相似度，聚合语义相关的句子或段落。
• 适用场景：当基础分块法失效时，或处理包含混杂主题的长文档。

17. 递归分块法

• 原理：先使用大粒度分隔符（比如：段落）分块，如果分块过大，再递归使用小粒度分隔符（比如：句子）继续分割，直到满足大小要求。
• 适用场景：处理句子长度不规则、不可预测的文本，如访谈记录。

18. 嵌入优先分块法

• 原理：先将所有句子嵌入，再根据相邻句子的相似度合并或拆分。
• 适用场景：适用于完全无结构的文档，或当基础方法效果不佳时。

19. 基于大模型/智能体的分块法

• 原理：将分块决策完全交给 LLM，由其自主判断如何分割文本。
• 适用场景：内容非常复杂、结构不明确，需要类似人类判断力来分块的场景。

20. 分层分块法

• 原理：将文本按多个层次（章节、段落）分块，以不同粒度检索信息。
• 适用场景：处理有清晰层次结构的文档，希望同时探索整体概述和详细信息的场景。

21. 多模态分块法

• 原理：针对不同类型的内容（文本、图像、表格）采用不同的分块策略。
• 适用场景：处理包含多种媒体形式的文档。

22. BONUS：混合分块法

• 原理：融合多种分块技术、启发式规则和 LLM，以提升分块的可靠性。

• 适用场景：当单一方法不足以应对复杂数据结构时。

普通人如何抓住AI大模型的风口？

领取方式在文末

为什么要学习大模型？

目前AI大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 ， 大模型作为其中的重要组成部分 ， 正逐渐成为推动人工智能发展的重要引擎 。大模型以其强大的数据处理和模式识别能力， 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 ，为各行各业带来了革命性的改变和机遇 。

目前，开源人工智能大模型已应用于医疗、政务、法律、汽车、娱乐、金融、互联网、教育、制造业、企业服务等多个场景，其中，应用于金融、企业服务、制造业和法律领域的大模型在本次调研中占比超过 30%。

随着AI大模型技术的迅速发展，相关岗位的需求也日益增加。大模型产业链催生了一批高薪新职业：

人工智能大潮已来，不加入就可能被淘汰。如果你是技术人，尤其是互联网从业者，现在就开始学习AI大模型技术，真的是给你的人生一个重要建议！

最后

只要你真心想学习AI大模型技术，这份精心整理的学习资料我愿意无偿分享给你，但是想学技术去乱搞的人别来找我！

在当前这个人工智能高速发展的时代，AI大模型正在深刻改变各行各业。我国对高水平AI人才的需求也日益增长，真正懂技术、能落地的人才依旧紧缺。我也希望通过这份资料，能够帮助更多有志于AI领域的朋友入门并深入学习。

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发

大模型全套学习资料展示

自我们与MoPaaS魔泊云合作以来，我们不断打磨课程体系与技术内容，在细节上精益求精，同时在技术层面也新增了许多前沿且实用的内容，力求为大家带来更系统、更实战、更落地的大模型学习体验。

希望这份系统、实用的大模型学习路径，能够帮助你从零入门，进阶到实战，真正掌握AI时代的核心技能！

01 教学内容

• 从零到精通完整闭环：【基础理论 →RAG开发 → Agent设计 → 模型微调与私有化部署调→热门技术】5大模块，内容比传统教材更贴近企业实战！

• 大量真实项目案例： 带你亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事‌！

02适学人群

应届毕业生‌： 无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。

零基础转型‌： 非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界‌。

业务赋能突破瓶颈： 传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型‌。

vx扫描下方二维码即可

本教程比较珍贵，仅限大家自行学习，不要传播！更严禁商用！

03 入门到进阶学习路线图

大模型学习路线图，整体分为5个大的阶段：

04 视频和书籍PDF合集

从0到掌握主流大模型技术视频教程（涵盖模型训练、微调、RAG、LangChain、Agent开发等实战方向）

新手必备的大模型学习PDF书单来了！全是硬核知识，帮你少走弯路（不吹牛，真有用）

05 行业报告+白皮书合集

收集70+报告与白皮书，了解行业最新动态！

06 90+份面试题/经验

AI大模型岗位面试经验总结（谁学技术不是为了赚$呢，找个好的岗位很重要）

07 deepseek部署包+技巧大全

由于篇幅有限

只展示部分资料

并且还在持续更新中…

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发