策略名称	描述	优点	缺点	建议
固定长度分块	将文本按照预定义长度分割，适合简单文档或快速处理	简单、高效	上下文丢失，相关性弱	选择合适大小，考虑使用重叠窗口以保持上下文
基于句子的分块	按句子边界分割，确保每个块是完整的	保持上下文，易于实现	块大小不一致，不适合长句、控制力弱	使用NLP库检测句子，必要时合并短句
段落分块	按文档段落分块，每个段落通常包含完整的想法或主题，适合结构化问答	更丰富的上下文，逻辑分割	大小行不一致，可能超出行的限制	监控块大小，必要时分割大小段以保持上下文
文档分块	将整个文档是做一个块或最小分割，保持完整结构和上下文，适合法律或医学文档	保持完整上下文、适合结构化文档	可扩展性问题，效率低、缺乏细节提取	适用于不希望分割影响流程的场景
滑动窗口分块	通过滑动创建重叠块，确保相邻块共享内容，适合需要保持跨部分上下文的文档	上下文连续性、提高检索效果	冗余、计算成本高	优化窗口大小和重叠，使用去重技术处理冗余
语义分块	使用嵌入或机器学习模型按语义分割，确保每个块主题连贯	上下文相关性、灵活性、提高检索准确性	复杂性、处理时间长、计算成本高	利用预训练模型，平衡成本和粒度
递归分块	使用层次分隔符或多个分隔符逐步分割为小块，适合大型结构化文档	层次上下文，可扩展性强，细粒度控制	实现复杂，可能丢失上下文，复杂度高	使用文档结构标识层次，存储块位置元数据
上下文增强分块	为每个块附近添加 周围块的 摘要或元数据，保持序列间的上下文，适合长文档	增强上下文，提高连贯性	复杂性，存储开销大	生成简要摘要，考虑用关键术语或概念作为元数据
模式特定分块	按内容类型（如文本、表格、图像）分别处理，每个类型按其性质分块	定制方法，提高准确性	实现复杂，集成困难	使用OCR处理图像，将表格转化为结构化，保持索引一致
代理分块	使用AI按内容结构和语义建议拆分边界	任务导向效率高，聚焦相关数据	复杂设置、计算密集、成本高	选择性使用，优化LLM提示
子文档分块	总结整个文档或打结 并将摘要作为元数据附加到单个块，适合大型文档集	层次检索，上下深度	额外处理，元数据管理复杂	自动化生成摘要，高效存储摘要
混合分块	结合多种分块策略，动态适应不同查询类型或文档结构，适合多用途系统	灵活性，性能好	逻辑复杂，维难度大	制定选择策略的标准，广泛测试以确保可靠性
基于token分块	按预定义token数分割，确保块在模型token限制内	优化语言模型，精确控制块大小、一致性	上下文碎片化、忽略语义结构，灵活性有限	确保块 在 token 限制内

在选择合适的分块策略时需要考虑如下因素：

• 文档类型：结构化适合段落分块，非结构化适合语义分块
• 查询复杂性：复杂查询需语义或代理分块，简单查询可用固定长度分块
• 资源可用性：计算资源有限时，有限固定长度或给予句子的分块
• 期望结果：速度优先 则 选固定长度， 准确性 优先 则 选语义分块， 上下文 优先选滑动窗口