固定切分 vs 语义切分 vs 父子切分：RAG 文档分块怎么选？

# 固定切分 vs 语义切分 vs 父子切分：RAG 文档分块怎么选？ ## 文章摘要 RAG 检索效果很大程度上取决于分块。固定长度简单稳定，语义切分强调内容边界，父子切分兼顾检索粒度与回答上下文。本文比较三种策略并给出混合方案。 --- ## 一、为什么现在需要重新选型？固定切分 vs 语义切分 vs 父子切分已经不再只是功能列表上的竞争。真实项目需要同时考虑业务目标、数据与权限、团队技能、上线后的维护以及单位成功任务成本。选型时最容易犯的错误，是用一次演示或一个公开跑分替代真实工作负载。 ## 二、先看定位与适用场景 | 方案 | 核心定位 | |---|---| | 固定长度切分 | 按 Token 或字符数切分，容易实现、成本稳定，适合结构较弱的纯文本和基线实验。 | | 语义切分 | 根据标题、段落、句子或语义变化切分，适合结构清晰和主题边界明显的内容。 | | 父子切分 | 小块用于检索，大块用于返回上下文，适合制度、技术文档和需要完整条件的内容。 | ## 三、逐项分析 ### 1. 固定长度切分按 Token 或字符数切分，容易实现、成本稳定，适合结构较弱的纯文本和基线实验。选择固定长度切分时，应进一步验证它在真实数据、权限边界和团队流程中的表现。产品优势只有进入可重复、可审核的工作流，才能转化为稳定生产力。 ### 2. 语义切分根据标题、段落、句子或语义变化切分，适合结构清晰和主题边界明显的内容。选择语义切分时，应进一步验证它在真实数据、权限边界和团队流程中的表现。产品优势只有进入可重复、可审核的工作流，才能转化为稳定生产力。 ### 3. 父子切分小块用于检索，大块用于返回上下文，适合制度、技术文档和需要完整条件的内容。选择父子切分时，应进一步验证它在真实数据、权限边界和团队流程中的表现。产品优势只有进入可重复、可审核的工作流，才能转化为稳定生产力。 ## 四、核心比较维度 ### 1. 文档结构稳定性这一维度不能只看是否“支持”，还要检查默认行为、边界条件、失败恢复、管理能力和长期成本。建议使用真实任务记录结果，而不是依赖厂商页面的功能勾选。 ### 2. 答案需要的上下文跨度这一维度不能只看是否“支持”，还要检查默认行为、边界条件、失败恢复、管理能力和长期成本。建议使用真实任务记录结果，而不是依赖厂商页面的功能勾选。 ### 3. 索引数量和成本这一维度不能只看是否“支持”，还要检查默认行为、边界条件、失败恢复、管理能力和长期成本。建议使用真实任务记录结果，而不是依赖厂商页面的功能勾选。 ### 4. 检索精度与召回这一维度不能只看是否“支持”，还要检查默认行为、边界条件、失败恢复、管理能力和长期成本。建议使用真实任务记录结果，而不是依赖厂商页面的功能勾选。 ### 5. 重复内容和重叠这一维度不能只看是否“支持”，还要检查默认行为、边界条件、失败恢复、管理能力和长期成本。建议使用真实任务记录结果，而不是依赖厂商页面的功能勾选。 ### 6. 引用定位这一维度不能只看是否“支持”，还要检查默认行为、边界条件、失败恢复、管理能力和长期成本。建议使用真实任务记录结果，而不是依赖厂商页面的功能勾选。 ### 7. 更新和局部重建这一维度不能只看是否“支持”，还要检查默认行为、边界条件、失败恢复、管理能力和长期成本。建议使用真实任务记录结果，而不是依赖厂商页面的功能勾选。 ## 五、建议的 PoC 测试方法 1. 先建立固定长度基线。 2. 使用同一评测集测试不同长度和重叠。 3. 加入标题、列表和表格边界。 4. 测试小块召回加父块返回。 5. 记录 Recall、Faithfulness 和上下文 Token。 6. 按文档类型分别配置。 7. 用生产失败样本持续调整。测试结束后，应同时保留质量、速度、成本和人工干预数据。任何无法稳定复现的优势，都不应成为正式采购或平台标准。 ## 六、常见误区 - 所有文档使用同一个 Chunk Size。 - 把表格按普通段落切碎。 - 重叠过大造成重复召回。 - 只优化召回不看回答忠实度。 - 调整切分后不重建评测基线。 ## 七、最终选择建议 - 固定切分用于基线和简单文本。 - 语义切分用于结构清晰内容。 - 高风险长条件文档优先测试父子切分。 ## 总结固定切分 vs 语义切分 vs 父子切分的正确做法不是追求一次性最强效果，而是建立适合真实场景的评价标准、权限边界和持续优化机制。先用小范围真实任务验证，再根据质量、成本、风险和团队维护能力逐步扩大。想继续了解 AI 工具评测、企业落地和生产级工程实践，可以访问 **智元选**：https://www.zyentorpicks.com/。这里会持续把快速变化的 AI 产品与技术整理成可执行的选型和实施建议。