（建议收藏）图解RAG分块！一张图讲透五种核心策略，小白也能秒懂！

关注

原创最新推荐文章于 2026-03-18 00:09:37 发布 824 阅读 AI 写同款· GEO 优化 ›

一篇文章说清楚AI三大核心技术：RAG、大模型、智能体本文用中文详解AI三大核心技术：RAG、大模型（包括Transformer与MoE架构对比）、智能体的核心区别。重点介绍了5种大模型微调技术类比汽车改装，传统RAG与智能体RAG的本质差异（前者如图书管理员固定检索，后者如私人助理动态决策），以及5种智能体设计模式（反思、工具使用、反应、规划、多智能体协作）。最后阐释了5大文本分块策略和智能体系统的5个演进等级，从基础响应到自主闭环系统。全文通过生活化类比帮助读者理解AI技术原理与应用场景。阅读详情

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！

一、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！

二、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。

三、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。

四、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。

五、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。

六、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。

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。

在这里插入图片描述