基本信息

来源摘要/节选

公开展示已截断至最多 800 个字符；请访问原始来源查看完整上下文。

分块的两难困境 RAG 系统里有一个经典矛盾： Chunk 太小 ：向量匹配精准，但返回给 LLM 的内容是片段，缺乏上下文，无法完整回答问题 Chunk 太大 ：内容完整，但语义太分散，embedding 质量下降，检索命中率降低 这不是调参能解决的问题，而是 Naive 分块的结构性缺陷。 小块适合检索，大块适合生成 ——这两个需求本来就是矛盾的，用同一个尺寸的 chunk 同时满足两者，必然顾此失彼。 本篇介绍两种突破这一困境的方案： Parent-Child Chunking ：用小块做检索，命中后返回对应的大块 Contextual Retrieval （Anthropic 方案）：给每个 Chunk 加上文档上下文描述，让 embedding 更"聪明" Parent-Child Chunking 核心思路 索引阶段： 父文档（ 800 字）→ 存储在 docstore（InMemoryStore） ↓ 切割 子 Chunk（ 200 字）→ 存入向量库

检索阶段： query → 向量检索匹配子 Chunk（精准） → 找到子 Chunk 对应的父文档 → 返回父文档给 LLM（完整） 检索用的是小 chunk，LLM 拿到的是大 chunk。两个需求，各自最优，互不干扰。…

来源说明

当前只保存了公开页面节选，不代表原文全文。请以原始来源为准。

本页只呈现已做哈希绑定的来源证据，不包含基于旧正文或缺失原文的扩展推断。