2026年RAG最佳分块策略：实用选择指南

TL;DR

• 没有普遍最佳的RAG分块策略。 正确的方法取决于文档结构、问题类型、嵌入行为、重新排序以及生成器所需的上下文。
• 结构感知的章节分块是良好格式文档的最佳默认选项。 它保留标题和语义单元，同时避免模型驱动拆分器的成本。
• 递归令牌分块是最强的基线。 它简单、确定性强，并且有助于衡量更复杂的方法是否值得其额外的摄取成本。
• 父子检索在精确匹配和广泛答案上下文冲突时效果更好。 先检索小的子项，然后将其较大的父项返回给模型。
• 页面级分块适合面向页面的PDF值得测试。 NVIDIA的2025基准测试发现其在被测试数据集上平均最强，但结果仍因语料库和查询而异。
• 一起评估检索和答案质量。 一个提高向量召回的策略仍可能通过添加重复或无关的上下文而损害答案。

---

什么使得分块策略对RAG来说是“最佳”

最佳策略返回最小的证据单元，以回答查询，同时保留足够的周围上下文以便于理解。分块发生在获取和清理之后，但在嵌入和索引之前。Nstdata Crawl 可以提供来自授权网站的标准化Markdown或其他选定输出；它并不选择这些文档应该如何分块。

一个分块边界同时改变四件事：嵌入的内容、查询可以检索的内容、不相关文本到达重新排名器的程度，以及生成器看到的上下文。这就是为什么从框架教程复制分块大小，通常与真实文档接触后无法存活的原因。

本指南将每个策略与相同的决策字段进行比较：

RAG术语表 提供了更广泛的检索和生成上下文。分块是该系统中的一个设计变量，而不是单独的质量开关。

策略比较