Skip to main content

RAG 父子切割

RAG 父子切割（也常被称为父子分段或父子分块）是一种用于优化检索增强生成（RAG）系统的高级策略。简而言之，它的核心思想是 “小块检索，大块回复”。

🤔 为什么要用“父子切割”？​

在RAG应用中，处理长文本时常常面临一个两难困境：

  • 切得太小：检索精度高，容易命中关键信息。但上下文不完整，模型回答可能“断章取义”。
  • 切得太大：上下文完整，模型能看懂来龙去脉。但检索精度低，容易“找不到”或“找不准”关键细节，语义信息会被稀释。

🔧 “父子切割”如何运作？​

“父子切割”策略通过引入层级结构，完美地解决了上述矛盾。

简单说，就是同一个文档内容，会被同时切割成“父块”和“子块”两种大小：

  • 子块 (Child Chunk)：体积小，是检索的单位。它能更精确地匹配用户的提问。
  • 父块 (Parent Chunk)：体积大，通常包含多个子块的上下文。它不参与检索，但负责在回复时提供完整背景。

整个过程可以理解为三步：

  1. 入库

    1. 切分：将一份原始文档（例如一份用户协议）同时切分为“父块”与“子块”。每个“父块”都关联着几个“子块”。
    2. 存储：
      • 父块被存入一个文档存储区 (Doc Store)。
      • 子块（及其包含的文本和指向父块的ID）被存入向量数据库，生成用于检索的向量。

  2. 检索 系统收到用户提问时，只会用“子块”去向量库中进行相似度检索。子块尺寸小、语义聚焦，能找到最匹配的那段话。

  3. 回复

    1. 系统根据子块里存的ID，找到其关联的、完整的“父块”。
    2. 将整个“父块”的完整文本作为上下文提交给大模型，让它来生成最终答案。

这样一来，大模型既获得了精准匹配的细节（通过子块检索），又获得了完整的上下文信息（通过父块上下文），从而生成更准确、完整的答案。

很多RAG框架（如LangChain）都内置了此功能，其核心检索组件就是“父文档检索器” (ParentDocumentRetriever)。

⚙️ 关键参数如何选择？​

参数选择取决于你的具体数据和场景，你可以参考以下建议：

参数父块 (Parent Chunk)子块 (Child Chunk)
核心作用提供完整上下文，供模型阅读进行精准匹配，用于检索
常见长度较长，如300-800字符, 500-1000字符, 500 Tokens较短，如100-200字符, 50-200字符, 150 Tokens
适用场景法律合同、技术手册等需强上下文的文档API文档、FAQ问答等对检索精度要求高的场景

✨ 主要优势与潜在权衡​

优势​

  • 提升检索精度：小块检索能精准命中关键信息点。
  • 保证回答完整：父块提供完整上下文，避免断章取义，提升最终答案质量。
  • 优化长文本处理：有效解决了长文档“既想检索准，又想上下文全”的核心矛盾。

需要权衡的成本​

  • 存储成本增加：同一份文本内容被存储了两份（父块和子块）。
  • 系统复杂度提升：需要维护两个存储区并管理它们之间的关联。
  • 稍高的检索延迟：检索流程从一次查询变为“检索+关联+返回”，耗时略有增加。

💡 哪些场景最适合用？​

该策略尤其适用于对答案准确性要求高且上下文依赖性极强的领域：

  • 法律合同/条款：在精准定位某一条款的同时，也能关联到它所属的整个合同章节。
  • 医疗病历/报告：在检索某项指标时，能一同带入病人的相关病史和诊断结论。
  • 技术白皮书/产品手册：查询某个具体参数时，能关联其定义、使用限制和关联说明。
  • 学术论文/科研文献：查找文中某一观点时，能提供该观点所在章节的完整论述。
  • 长篇商业报告：针对报告中某个数据点提问时，能返回其分析背景和上下文。

📝 快速起步实践（LangChain 示例）​

你可以根据以下代码示例快速上手实践：

from langchain.retrievers import ParentDocumentRetriever
from langchain.text_splitter import RecursiveCharacterTextSplitter

# 1. 定义分割器
parent_splitter = RecursiveCharacterTextSplitter(chunk_size=2000) # 父块大
child_splitter = RecursiveCharacterTextSplitter(chunk_size=500)  # 子块小

# 2. 初始化检索器
retriever = ParentDocumentRetriever(
    vectorstore=vectorstore,  # 存储子块和向量
    docstore=docstore,        # 存储父块原文
    child_splitter=child_splitter,
    parent_splitter=parent_splitter,
)

# 3. 添加文档（系统会自动进行父子切分与存储）
retriever.add_documents(docs)

小提示：如果只是想快速体验，可以先指定 child_splitter，不传 parent_splitter，系统会将每个完整的原始文档视为一个“父块”。核心逻辑是将整个文档作为父块，这是一个最简上手配置。

💎 总结​

“父子切割”是一种平衡了检索精度与上下文完整的有效策略，通过将小块检索与大块信息结合，显著提升了RAG系统在复杂场景下的问答质量。希望这份解释对你有帮助！如果你在实践中有更多关于 RAG 的问题，也欢迎随时提出。