RAG 分块进阶：Parent-Child 与 Contextual Retrieval 实现

基本信息

描述

Naive 分块有什么根本缺陷？Parent-Child 如何用小块检索、大块返回？Contextual Retrieval 策略是什么，本篇带你用实际代码学会高级分块策略

评论

核心观点

事实：Naive 固定长度分块在语义上容易割裂相邻信息。 作者观点：Parent‑Child 与 Contextual Retrieval 通过层次化与上下文增强，能够显著提升检索召回与答案生成的连贯性。 推断：若检索系统对语义完整性要求高，这两种策略在未来 RAG 架构中将成为默认配置。

技术原理

事实：Parent‑Child 将文档划分为父块（完整段落）和若干子块（细粒度片段），检索阶段使用子块匹配，返回时提供父块作为上下文。 作者观点：子块降低匹配粒度，父块保证生成时的信息完整，实现“小块检索，大块返回”。 推断：Contextual Retrieval 在子块前追加由 LLM 生成的短描述（上下文摘要），可进一步消除歧义，使向量相似度更贴近用户意图。

适用边界

事实：Parent‑Child 对文档结构有天然需求，若原始文本缺乏层次或段落标识，效果会受限。 作者观点：在多跳问答或需要跨段落综合的场景下，Parent‑Child 表现突出；但在高频短查询或成本敏感的业务中，增加的索引与推理开销可能不划算。 推断：Contextual Retrieval 的上下文生成成本随文档规模线性增长，适合离线构建、可接受额外延迟的离线检索系统，而非实时交互系统。

实践建议

事实：在实现时，可先对文档进行结构化拆解，确保父块自然完整；子块大小控制在 100–200 tokens，父块大小不超过 512 tokens。 作者观点：采用混合检索（稀疏 + 密集），先在子块空间做向量召回，再在父块空间做关键词重排，可兼顾召回率与精度。 推断：加入上下文描述时，建议将描述长度限制在 30–50 tokens，并在生成后进行相似度阈值过滤，以防止噪声描述稀释检索效果。实际部署前，需在目标业务数据集上进行端到端延迟与答案准确率的 A/B 测试，以确定最优块大小与上下文策略。

学习要点

  • 请提供文章的具体内容，以便我为您提炼出关键要点。

引用

注：文中事实性信息以以上引用为准；观点与推断为 AI Stack 的分析。

站内链接

相关文章