> For the complete documentation index, see [llms.txt](https://doc.duaer.com/zh/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://doc.duaer.com/zh/guides/rag-chunking-strategies-paper-2027.md).

# RAG 分块策略论文 2027：如何公平地解读结果

本文整理自 Duaer 文档站，面向企业团队讲解如何阅读 RAG 分块策略的研究结论：先弄清论文的测试条件，再判断结论能否迁移到自己的文档、问题和检索环境中。

## 先弄清论文实际测试了什么

读完一篇 RAG 分块策略的论文后，团队通常会出现两种反应。一种是断定某个方法最优，直接照搬它的参数；另一种是认为整个文献噪声太大、没法用。两种反应都浪费时间。前者常常做出一个在论文语料上有效、却在合同、手册或制度文件上失效的知识库；后者则让团队没有任何分块决策，继续沿用框架默认的切分器，然后困惑于回答为什么不稳定。

真正的问题并不是论文不够多，而是分块结果对上下文非常敏感。一种方法在某个数据集上表现好，一旦文档、问题或检索技术栈发生变化，优势可能就消失了。本文不总结任何一篇具体论文的结论，而是提供一套阅读框架，帮助你判断哪些发现适用于自己的文档。

在看任何结果表格之前，先写下研究的四个基本信息：语料、问题集、检索流程和评估指标。大多数误读都源于跳过这一步。

语料是首要因素。基于百科式文章的论文，通常标题清晰、表格较少、段落相对独立。企业文档则不同，它们可能包括扫描版 PDF、多栏排版、跨页表格，以及只有结合上一段才能理解的条款。在维基百科式文本上能很好保留上下文的分块方法，可能会把合同中的例外条款与主义务切开。

其次是问题集。问题是事实查找类、答案位置明确，还是需要综合多个段落的多跳问题？分块大小与问题类型相互作用：小块有利于精确查找，却会损害需要周边上下文的问题。

## 把分块变量与其他变量分开看

在许多实验中，分块大小、重叠长度、top-k、嵌入模型和重排序器会同时改变。当论文宣称某种策略优于另一种时，需要确认比较是否固定了其他变量。如果获胜方法每次查询也检索了更多段落，那么提升可能来自于检索了更多文本，而不是边界划分得更好。

阅读论文时，请检查作者是否在各策略之间固定了 top-k 和嵌入模型，也要检查送入生成器的文本总量是否相近。如果不相近，这项比较在一定程度上就是上下文预算的比较。这是一种常见的混杂因素，而且当结论只呈现一个单一的提升分数时，很容易被忽略。

## 理解每个指标实际衡量什么

分块研究通常会报告检索指标和答案层面指标的某种组合，二者回答的是不同的问题。

命中率或前 k 召回率等检索指标，说明包含答案的段落是否被返回；MRR 等排序指标则说明它排在多靠前的位置。这些指标有助于诊断分块器本身：边界划分不佳的块可能包含答案，却被大量无关文本淹没。

正确性或忠实度等答案层面指标，则反映生成器给出的回答质量。它们高度依赖生成模型和提示词。一种分块方法即使改善了检索，最终答案也可能变化不大，原因可能是模型本来就能很好地处理上下文，或者评分标准比较宽松。

当论文报告提升时，要追问这是绝对差值还是相对差值。在较低的基线上，微小的绝对变化换算成相对提升，听起来可能很大。还要确认作者是否报告了多次运行的方差。没有方差信息，就无法区分稳定的提升和随机噪声。

## 关注表格里没有写出的成本，并按文档类型转化结论

有些分块策略在建索引时很便宜，比如固定长度切分或递归切分；另一些则会增加成本。语义分块可能需要多次调用嵌入模型来寻找边界；为每个块补充上下文的方法，可能要为每个块调用一次语言模型；父子结构则会增加存储开销，并使检索逻辑更复杂。

论文往往报告准确率，却很少写出工程成本。对于只有几百份文档的试点，这也许无关紧要；但对于每天更新数万个文件的知识库，索引费用和重新索引的时间就会成为决定性因素。比较策略时，应将检索质量、索引构建成本、文档变更后的重新索引成本和运维复杂度放在同一张表中。

阅读论文时，最有价值的问题不是“哪种策略赢了”，而是“获胜策略利用了哪一种文档属性”。如果获胜方法利用的是标题结构，那么它只对拥有可靠标题的文档有用；如果获胜方法利用的是语义边界，它可能对长篇叙述性报告有帮助，但对简短、高度结构化的表单几乎没有增益。

选择之前，先按类型给自己的文档分组。典型的企业文档集可能包括带编号条款的制度手册、带表格的产品规格书、结构松散的会议纪要和客户邮件。每一类可能需要不同的分块方式，而论文中的平均结果可能掩盖了这些差异。在异质语料上取平均，是得出误导性结论最常见的来源之一。

## 需要避免的常见误读

有三种误读反复出现。第一种是把基准测试的冠军当作通用默认值。基准测试反映的是它自己的语料和问题风格，而不是你的生产环境构成。

第二种是忽视评估泄漏。如果问题是从后来被分块器切分的同一批段落生成的，评估结果可能偏向那些恰好与生成器逻辑一致的方法。应当追问问题是如何构造的。

第三种是认为分数更高就意味着用户体验更好。用户关心的是答案是否正确、是否有引用、响应是否足够快。一种分数略高、但延迟大得多的方法，对于需要即时回复的支持工具来说可能是错误的选择。

## 在自己的数据上做小规模对比，并从本周开始行动

用好分块研究最可靠的方式，是在自己的语料上做一个小规模、可控的实验。收集几百个真实用户会提出的问题，以及能够回答这些问题的段落。固定嵌入模型、top-k 和生成模型，然后比较两到三种分块策略在命中率、答案正确性、索引成本和文档变更后重新索引成本上的表现。一周有纪律的测试，通常比读十几篇论文更有说服力，因为它反映的是你的文档和你的问题。

如果你已经有现成的问题集，可以直接用它做这项对比。如果没有，可以参考[购买前如何构建自己的大模型评估数据集](https://doc.duaer.com/zh/guides/llm-evaluation-datasets-2027/)，了解如何构造一个有代表性、不偏向简单问题的数据集。关于围绕分块的知识库整体设计，[企业 RAG 项目为何经常给出不准确的答案](https://doc.duaer.com/zh/guides/enterprise-rag-knowledge-base-build/)一文介绍了分块本身无法解决的上游问题。

本周可以这样开始：从当前知识库中选出二十个真实问题，以及能回答这些问题的段落。用现有的分块器处理它们，并记录正确段落是否出现在前几名结果中。然后只修改分块设置，用同样的问题重新运行并比较。这个小练习能告诉你分块是否真的是瓶颈，也为未来的任何论文提供了一个必须在你的数据上超越的基线。

如果你希望在不自行搭建评估脚本、检索日志和对比表格的情况下完成这类并排测试，可以在 Duaer 中设置该流程，并在每次运行中保持相同的问题和设置。它不会替你决定最合适的策略，但能让对比可重复，也更便于向对结果负责的人解释。你可以在 https://www.duaer.com 注册并试用。

简而言之：一篇分块论文只告诉你在它的条件下发生了什么，而你的任务是弄清楚在你的条件下会发生什么。

告诉我们你的场景，我们会回复一份书面的落地路线。https://api.duaer.com/form/c59a907a-3697-4edf-a04d-3ea0fb72fdc8

## 常见问题

### 如何判断一篇 RAG 分块论文的结论能否用于我们的企业文档？

先确认论文的语料、问题类型、检索流程和评估指标是否与你的文档相近。重点看获胜方法利用了哪种文档属性，例如标题结构或语义边界，再检查你的文档是否具备同样的属性。如果论文使用的是百科式文本，而你的文档是扫描件、多栏排版或带跨页表格的合同和手册，结论的迁移性就需要谨慎对待。

### 比较不同 RAG 分块策略时，应该看哪些指标？

建议同时看四类指标：检索质量（如命中率、前 k 召回率、MRR）、答案质量（如正确性、忠实度）、索引构建成本，以及文档变更后的重新索引成本和运维复杂度。只看单一分数容易误判，尤其是当某种方法依靠检索更多文本来提分时。

### 没有现成评估数据时，如何快速测试分块策略？

可以先收集约二十到几百个真实用户会提出的问题，并标注能回答它们的段落。固定嵌入模型、top-k 和生成模型，只改变分块设置，比较命中率、答案正确性和索引成本。这样得到的结果比单纯阅读论文更贴近你的实际业务。

