Parent-Child Chunking
Parent-Child Chunking是一种文档分割技术，通过将内容分为父块和子块，在检索时利用子块的精确性匹配，同时返回父块的完整上下文，从而提升AI回答的准确性和连贯性。
一句话解释
Parent-Child Chunking是一种将文档拆分为“父块”（包含完整上下文）和“子块”（更细粒度片段）的分块方法，检索时先用小粒度子块匹配用户问题，再关联到大粒度父块来提供回答，兼顾精度与上下文完整性。
为什么会被关注
传统单一粒度分块要么丢失上下文，要么检索不够精准。Parent-Child Chunking通过两层结构让AI既能看到局部细节，又能理解整体脉络，显著减少幻觉和答非所问。
在RAG（检索增强生成）流行后，开发者发现问答质量很大程度上取决于分块策略。父-子分块提供了一种无需复杂模型的折中方案，容易集成到现有流程中，因此受到工程社区关注。
核心逻辑
处理时，先按较大的窗口（如500-1000 token）切分文档作为父块，再在父块内部按更小窗口（如100-200 token）切分子块，并建立子块到父块的映射关系。
检索阶段，用户查询与所有子块计算相似度，召回最相关的子块后，通过映射找到其所属父块，最后将父块内容作为上下文输入给大语言模型生成答案。这样既利用了子块的精准匹配，又保留了充足的上下文。
常见场景
知识库问答：企业内部文档、产品手册等长文本问答，用户问题可能涉及某一段细节，而答案需要引用前后文才能完整，此时父子分块能更好满足需求。
多轮对话与引用溯源：在客服或法律场景中，需要准确指出答案来源的具体段落，同时让AI理解整条条款的语境，父子分块天然支持这种分层引用。
容易混淆的点
与“滑动窗口分块”不同，滑动窗口只是连续重叠切片，没有明确的主从关系；而父-子分块强调大块包裹小块，是一种层级结构，而非简单重叠。
也容易与“块状检索”（如Character-Level Chunking）搞混。后者只关注字符边界，不维护语义层级；父-子分块依赖语义段落或固定token数，但必须有父子关联元数据，实现思路完全不同。
本文内容用于 AI 热词解释和概念整理，仅供学习和理解参考。若涉及表述偏差或内容修正，欢迎联系站点进行更新。
相关热词RAG（检索增强生成）是一种将信息检索与大语言模型生成能力相结合的技术范式。它让模型在回答前，先从外部知识库中查找相关文档，然后基于这些检索到的准确信息进行生成，从而显著提升回答的准确性、时效性和可追溯性。
向量数据库是一种专门为存储和检索高维向量数据而设计的数据库。它通过将文本、图像、音视频等非结构化数据转化为数学向量（即一组数字），并计算向量间的“距离”来衡量相似性，从而实现高效的相似性搜索。它是构建AI应用，如智能问答、推荐系统和内容检索的核心基础设施。
上下文窗口是大型语言模型（LLM）在单次处理时能够“看到”和参考的文本信息总量。它就像模型的“工作记忆区”，决定了AI能记住多长的对话历史、理解多复杂的文档，是影响模型实际应用效果的核心参数。
检索增强生成是一种将信息检索与大语言模型生成能力相结合的技术框架。它让模型在回答前，先从外部知识库中检索相关信息作为参考，从而生成事实性更强、时效性更高且可追溯来源的内容，有效缓解大模型的“幻觉”问题。
Chunking 是一种将长文本或大数据切割成小块（Chunk）的策略，帮助大语言模型在有限上下文窗口内高效处理信息。它直接影响检索增强生成（RAG）的效果，是构建高质量 AI 应用的必修课。