企业官网建设流程全解析

本溪建网站,qq交流群如何使用,佛山seo关键词排名,WordPress制作404页面1、RAG系统也能“切块”#xff1f;15种Chunking技巧让你的检索生成更聪明#xff01;你知道吗#xff1f;在构建一个强大的RAG#xff08;Retrieval-Augmented Generation#xff09;系统时#xff0c;决定其“聪明程度”的#xff0c;可能不是模型本身#xff0c;而是…1、RAG系统也能“切块”15种Chunking技巧让你的检索生成更聪明你知道吗在构建一个强大的RAGRetrieval-Augmented Generation系统时决定其“聪明程度”的可能不是模型本身而是——你怎么“切块”你的文档。在NLP领域RAG系统已经成为处理复杂问答、文档摘要、知识库检索等任务的利器。但面对动辄上万字的文档如何在不丢失上下文的前提下把它们“切”成模型能消化的“小块”就成了关键。今天这篇文章我们就来系统聊聊15种Chunking技巧帮你打造一个既快又准的RAG系统。无论你是做问答系统、文档检索还是构建企业知识库这篇文章都值得你收藏。01什么是Chunking为什么它这么重要在RAG系统中Chunking切块指的是把大文档拆分成小块以便模型更好地理解和检索信息。你可能会问为什么不能直接把整篇文档丢给模型原因很简单大模型有token限制比如GPT-4最多支持8K tokens文档太长模型容易“看漏”关键信息不切块检索系统很难精准定位答案。所以Chunking不是简单的“切”而是要在“保留上下文”和“适配模型能力”之间找到平衡。02Chunking的三大核心考量在正式介绍15种技巧之前我们先来理解Chunking的三个关键因素1. 块的大小Chunk Size太大容易超token限制检索慢太小上下文丢失生成质量差建议根据模型token上限控制在100~500 tokens之间。2. 上下文保留Context Preservation切块不能“断句断意”否则模型会“看不懂”使用滑动窗口、语义切块等方式能有效保留上下文。3. 多模态处理Modality Handling文档中可能包含表格、图片、代码块不同内容类型需要不同的切块策略。0315种Chunking技巧全解析附代码接下来我们进入正题15种Chunking技巧每种都配有使用场景、优缺点和代码示例建议收藏1. 固定大小切块Fixed-Size Chunking原理按固定词数或token数切分。适用场景结构简单的小文档。优点实现简单速度快。缺点可能切断句子丢失语义。def fixed_size_chunk(text, max_words100): words text.split() return [ .join(words[i:i max_words]) for i in range(0, len(words), max_words)]2. 句子切块Sentence-Based Chunking原理按句子边界切分。适用场景需要保留语义完整性的文档。优点语义清晰上下文连贯。缺点句子长度不一chunk大小不稳定。import spacy nlp spacy.load(en_core_web_sm) def sentence_chunk(text): doc nlp(text) return [sent.text for sent in doc.sents]3. 段落切块Paragraph-Based Chunking原理按段落切分。适用场景结构清晰的文档如论文、报告。优点自然分段语义完整。缺点段落长度不一可能超token限制。def paragraph_chunk(text): return text.split(\n\n)4. 语义切块Semantic Chunking原理基于语义相似度进行切块。适用场景技术文档、复杂文本。优点上下文保留好。缺点实现复杂需依赖模型。def semantic_chunk(text, max_len200): doc nlp(text) chunks [] current_chunk [] for sent in doc.sents: current_chunk.append(sent.text) if len( .join(current_chunk)) max_len: chunks.append( .join(current_chunk)) current_chunk [] if current_chunk: chunks.append( .join(current_chunk)) return chunks5. 模态感知切块Modality-Specific Chunking原理文本、表格、图片分别处理。适用场景PDF、技术手册等混合内容文档。优点保留多种模态信息。缺点实现复杂。def modality_chunk(text, imagesNone, tablesNone): text_chunks paragraph_chunk(text) return {text_chunks: text_chunks, images: images, tables: tables}6. 滑动窗口切块Sliding Window Chunking原理相邻chunk之间有重叠。适用场景法律、学术文档。优点上下文连贯。缺点内容重复处理量大。def sliding_window_chunk(text, chunk_size100, overlap20): tokens text.split() chunks [] for i in range(0, len(tokens), chunk_size - overlap): chunk .join(tokens[i:i chunk_size]) chunks.append(chunk) return chunks7. 层级切块Hierarchical Chunking原理按章节、段落、子段落分层切块。适用场景结构化文档如论文、合同。优点保留文档结构。缺点实现复杂。def hierarchical_chunk(text, section_keywords): sections [] current_section [] for line in text.splitlines(): if any(keyword in line for keyword in section_keywords): if current_section: sections.append(\n.join(current_section)) current_section [line] else: current_section.append(line) if current_section: sections.append(\n.join(current_section)) return sections8. 内容感知切块Content-Aware Chunking原理根据内容特征动态调整切块策略。适用场景电子书、技术文档。优点灵活适应不同内容。缺点逻辑复杂。def content_aware_chunk(text): chunks [] current_chunk [] for line in text.splitlines(): if line.startswith((##, ###, Introduction, Conclusion)): if current_chunk: chunks.append(\n.join(current_chunk)) current_chunk [line] else: current_chunk.append(line) if current_chunk: chunks.append(\n.join(current_chunk)) return chunks9. 表格感知切块Table-Aware Chunking原理将表格独立切块。适用场景财务报表、技术文档。优点保留表格结构。缺点格式可能丢失。import pandas as pd def table_aware_chunk(table): return table.to_markdown()10. Token级切块Token-Based Chunking原理按token数切块适配Transformer模型。适用场景GPT、BERT等模型。优点适配模型限制。缺点可能切断句子。from transformers import GPT2Tokenizer tokenizer GPT2Tokenizer.from_pretrained(gpt2) def token_based_chunk(text, max_tokens200): tokens tokenizer(text)[input_ids] chunks [tokens[i:i max_tokens] for i in range(0, len(tokens), max_tokens)] return [tokenizer.decode(chunk) for chunk in chunks]11. 实体感知切块Entity-Based Chunking原理基于NER识别实体进行切块。适用场景简历、合同、法律文档。优点保留实体信息。缺点需训练NER模型。def entity_based_chunk(text): doc nlp(text) return [ent.text for ent in doc.ents]12. 主题切块Topic-Based Chunking原理使用LDA等主题模型进行切块。适用场景新闻、研究论文等多主题文档。优点按主题聚合信息。缺点需额外建模。from sklearn.feature_extraction.text import CountVectorizer from sklearn.decomposition import LatentDirichletAllocation def topic_based_chunk(text, num_topics3): sentences text.split(. ) vectorizer CountVectorizer() sentence_vectors vectorizer.fit_transform(sentences) lda LatentDirichletAllocation(n_componentsnum_topics, random_state42) lda.fit(sentence_vectors) # 省略主题分配逻辑 return sentences13. 页面切块Page-Based Chunking原理按PDF页面切块。适用场景PDF文档。优点实现简单。缺点可能断句。def page_based_chunk(pages): return pages14. 关键词切块Keyword-Based Chunking原理按关键词切分。适用场景结构清晰的文档。优点符合文档结构。缺点需预定义关键词。def keyword_based_chunk(text, keywords): chunks [] current_chunk [] for line in text.splitlines(): if any(keyword in line for keyword in keywords): if current_chunk: chunks.append(\n.join(current_chunk)) current_chunk [line] else: current_chunk.append(line) if current_chunk: chunks.append(\n.join(current_chunk)) return chunks15. 混合切块Hybrid Chunking原理结合多种策略。适用场景复杂文档。优点灵活强大。缺点实现复杂。def hybrid_chunk(text): paragraphs paragraph_chunk(text) hybrid_chunks [] for paragraph in paragraphs: hybrid_chunks sentence_chunk(paragraph) return hybrid_chunks04不同场景下如何选择Chunking策略场景类型推荐策略FAQ、客服系统句子切块、关键词切块学术论文层级切块、语义切块技术文档表格感知切块、内容感知切块多模态文档模态感知切块、混合切块法律文档滑动窗口切块、实体感知切块05结语Chunking不是“切”是“设计”Chunking不是简单的“把文档切碎”而是一种信息架构设计。不同的切块策略直接决定了RAG系统的检索精度、生成质量和响应速度。希望这篇文章能帮你找到最适合你业务的Chunking策略。如果你正在构建RAG系统不妨从这些小技巧开始逐步优化你的文档处理流程。、普通人如何抓住AI大模型的风口领取方式在文末为什么要学习大模型目前AI大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 大模型作为其中的重要组成部分 正逐渐成为推动人工智能发展的重要引擎 。大模型以其强大的数据处理和模式识别能力 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 为各行各业带来了革命性的改变和机遇 。目前开源人工智能大模型已应用于医疗、政务、法律、汽车、娱乐、金融、互联网、教育、制造业、企业服务等多个场景其中应用于金融、企业服务、制造业和法律领域的大模型在本次调研中占比超过30%。随着AI大模型技术的迅速发展相关岗位的需求也日益增加。大模型产业链催生了一批高薪新职业人工智能大潮已来不加入就可能被淘汰。如果你是技术人尤其是互联网从业者现在就开始学习AI大模型技术真的是给你的人生一个重要建议最后只要你真心想学习AI大模型技术这份精心整理的学习资料我愿意无偿分享给你但是想学技术去乱搞的人别来找我在当前这个人工智能高速发展的时代AI大模型正在深刻改变各行各业。我国对高水平AI人才的需求也日益增长真正懂技术、能落地的人才依旧紧缺。我也希望通过这份资料能够帮助更多有志于AI领域的朋友入门并深入学习。真诚无偿分享vx扫描下方二维码即可加上后会一个个给大家发大模型全套学习资料展示自我们与MoPaaS魔泊云合作以来我们不断打磨课程体系与技术内容在细节上精益求精同时在技术层面也新增了许多前沿且实用的内容力求为大家带来更系统、更实战、更落地的大模型学习体验。希望这份系统、实用的大模型学习路径能够帮助你从零入门进阶到实战真正掌握AI时代的核心技能01教学内容从零到精通完整闭环【基础理论 →RAG开发 → Agent设计 → 模型微调与私有化部署调→热门技术】5大模块内容比传统教材更贴近企业实战大量真实项目案例带你亲自上手搞数据清洗、模型调优这些硬核操作把课本知识变成真本事‌02适学人群应届毕业生‌无工作经验但想要系统学习AI大模型技术期待通过实战项目掌握核心技术。零基础转型‌非技术背景但关注AI应用场景计划通过低代码工具实现“AI行业”跨界‌。业务赋能突破瓶颈传统开发者Java/前端等学习Transformer架构与LangChain框架向AI全栈工程师转型‌。vx扫描下方二维码即可本教程比较珍贵仅限大家自行学习不要传播更严禁商用03入门到进阶学习路线图大模型学习路线图整体分为5个大的阶段04视频和书籍PDF合集从0到掌握主流大模型技术视频教程涵盖模型训练、微调、RAG、LangChain、Agent开发等实战方向新手必备的大模型学习PDF书单来了全是硬核知识帮你少走弯路不吹牛真有用05行业报告白皮书合集收集70报告与白皮书了解行业最新动态0690份面试题/经验AI大模型岗位面试经验总结谁学技术不是为了赚$呢找个好的岗位很重要07 deepseek部署包技巧大全由于篇幅有限只展示部分资料并且还在持续更新中…真诚无偿分享vx扫描下方二维码即可加上后会一个个给大家发