RAG优化17种RAG优化方案那种才是最佳选择1基础检索vs语义切分方案1Simple RAG固定字数硬切缺陷模型因上下文丢失产生严重幻觉难以实现精细推理方案2Semantic Chunking(语义切分)短句机制 不在看字数死理而是基于句子语义差异。当检测到转折词如“然而”或话题发生跃迁时自动触发边界切分保证段落语义浑然一体。升级点主题统一逻辑连贯模型理解效率大幅提升缺点切块太小刹车纹不过大,很多跨段落的信息会丢失。2大小块协同vs上下文增强方案3Small-to-Big Retrieval核心思想小快找大块答。将一整章Parent Chunk拆分为数十个子块Child Chunk。检索时比对高灵敏的子块而最终为给LLM的则是完整的父块。子块命中高精度——映射提取完整父块方案4Context Enriched(上下文增强)高性价比改造方案当定位到目标文本块后检索机制自动向外辐射将其前后的邻居块一并打包召回提供充沛的背景承接。前置块——命中核心块——后置块全量交付 性价比最高3块级加标vs文档增强方案5Chunk Header(给文本块加标题)在向量化存储前使用小模型为每个切块自动提炼摘要并附带所属章节路径存储样式 [章节主旨AI医疗应用场景与挑战]正文内容。这使得碎片快天然具备全局视野极大提高检索匹配率方案6Document Augmentation(文档增强)利用“问题匹配问题”的天然优势不直接单存文档。先对文本反向生成多条高频潜在问题将【衍生问题集原文本快】绑定进行向量化。用户输入问题时可以直接与这部分衍生问题精准对接。