图解AI：RAG分块策略

RAG作为大模型入门级的应用，在处理策略上要比写提示语好落地的很多。
刚刚经历了一个AI落地大项目的上线，提示语写了将近5000字。比起写提示语我还是更愿意写crud。
步入今天的正题聊聊 RAG 里的五种分块策略！

经典流程

因为上传的文档可能很大，所以第一步「检索文档」里还涉及「分块」，也就是把大文档拆成更小、更易处理的片段。这一步特别关键，因为它得确保文本能适配嵌入模型的输入尺寸。

下面就来详细说说五种分块策略，咱们一个个搞明白！

固定大小分块

按预设的字符数、单词数或 Token 数，把文本切成均匀的片段。
举个例子（配合刚才那张图里的蓝色重叠部分）：比如设定每块 500 字，那前一块的最后 100 字和下一块的前 100 字会有重叠。
优点：实现起来简单，而且所有块大小一致，方便批量处理。
缺点：容易切断句子或完整的意思，重要信息可能被拆到两个块里，比如一句话前半句在这块，后半句在那块。

语义分块

按有意义的单元来分段，比如句子、段落或主题章节。具体怎么做呢？
先给每个段落生成嵌入向量，然后计算相邻段落的余弦相似度段落的余弦相似度：
如果第一段和第二段的相似度很高，就把它们合并成一个块；
直到遇到相似度明显下降的段落，就新开一个块。
优点：保持语言的自然流畅，每个块都包含完整的观点，这样检索时更准，LLM 生成的回答也更连贯相关。
缺点：需要设定一个相似度阈值，但不同文档的阈值可能不一样，得反复调参。

递归分块

先按文档的天然分隔符（比如段落、章节）初步分块，然后检查每个块的大小：
如果超过预设的最大块大小，就进一步拆分成更小的块；
如果大小合适，就保持不变。
举个栗子🌰：
先把文档分成两个紫色段落（块 1 和块 2）；
块 1 太长，再拆成两个小块；块 2 刚好合适，不拆分。
优点：和语义分块类似，能保留完整语义。
缺点：实现起来更复杂，计算量也更大，因为要多一步 “检查是否需要拆分” 的逻辑。

基于文档结构的分块

利用文档本身的结构来划分块，比如标题、章节、子标题等。比如：
一个一级标题下的所有内容作为一个块；
每个表格或图表的说明文字单独成块。
优点：贴合文档的逻辑结构，块的内容更完整。
缺点：依赖文档有清晰的结构，如果遇到结构混乱的文档（比如纯文本无标题），就不好用了。另外，块的长度可能不均匀，有些块可能超过模型的 Token 限制，这时候可以结合递归分块一起用。

基于大语言模型的分块

直接让 LLM 帮忙生成语义独立、有意义的块。比如给 LLM 一个提示：“请将以下文本分成每个块约 500 字的语义完整段落，确保每个块包含独立的主题。”
优点：语义准确性最高，LLM 能理解上下文，比前四种基于规则的方法更智能。
缺点：计算成本最贵，每次分块都要调用 LLM，而且 LLM 本身也有上下文窗口限制，处理长文档可能需要多次调用。

总览图

怎么选？

每种方法都有优缺点，实际中语义分块用得比较多，但还是得根据具体情况测试：

• 如果文档结构清晰 → 优先用「结构分块」+「递归分块」；
• 如果追求简单高效 → 用「固定大小分块」，记得加重叠部分；
• 如果对语义要求高且计算资源充足 → 试试「LLM 分块」。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】