RAG进阶之术：用“父子Chunk”策略破解复杂查询的“上下文迷局”

1. 引言：RAG中的复杂上下文问题与父子Chunk的方案

RAG系统的核心在于“检索”这一环。检索的质量直接决定了提供给LLM的上下文质量，从而决定了最终答案的质量。传统分块策略面临的困境，本质上是**检索精度（Precision）和上下文完整性（Completeness/Recall of Context）**之间的矛盾。

• 高精度检索需要：分块小而精，每个块只围绕一个核心语义点，这样查询向量才能与目标块的向量高度相似。
• 高完整性上下文需要：分块大而全，包含足够的背景信息、前后文联系，让LLM能够理解一个信息点在更大图景中的位置。

父子Chunk策略通过一种巧妙的“解耦”思路，优雅地解决了这个矛盾。它将用于检索的单元和用于生成的单元分离开来：

• 用“子Chunk”（小块）来进行高精度检索。
• 用“父Chunk”（大块）来提供丰富的上下文。

通过这种方式，我们既能利用小块的精准定位能力，又能享受大块的完整上下文，从而有效破解“上下文迷局”。

2. 问题分析：一个生动的“上下文”困境案例

2.1 场景设定：基于公司年度报告的问答机器人

假设我们有一个100页的PDF年度报告，其中有一段关