RAGFlow实战：如何根据文档类型选择最佳切片策略？

RAGFlow切片快速指引

General（通用切片）

• 适用场景：结构不明确或混合格式的普通文本（如技术文档、新闻文章、博客等）。文档排版复杂但无特定规则（如多栏布局、自由段落）。

• 切片特点：自动识别文本的排版、格式和语义关联，按块大小（token 数量）分割。支持重叠切片策略（如前后重合 50%），避免跨段信息丢失。

• 配置建议：块token数建议设置为 128-512（根据模型输入限制调整）。若文档包含多主题段落，建议降低块大小以提高检索精度。

Q&A（问答对切片）

• 适用场景：问答数据集（如 FAQ、客服对话、知识库问答对）。表格或 CSV 文件中仅包含两列（问题与答案）。

• 切片特点：将每行问答对作为独立切片，保留完整问答对的上下文。适用于需要直接匹配问题与答案的场景（如智能客服）。

• 配置建议：确保数据格式为 问题-答案 两列（Excel 或 CSV）。可结合“自动关键词”功能，为问题提取关键词以提升检索相关性。

Resume（简历切片）

• 适用场景：个人简历、职位描述等结构化但非表格化的文档。需要提取关键信息（如教育背景、工作经历）的场景。

• 切片特点：自动识别简历中的模块（如“技能”“项目经验”），按模块分割。保留模块内的语义连贯性（如连续的工作经历描述）。

• 配置建议：块 token 数建议设置为 256-512，确保完整呈现模块内容。可结合“提取知识图谱”功能，构建候选人与职位的关联关系。

Manual（手动切片）

• 适用场景：章节分明的文档（如教材、技术手册）。用户需自定义分割逻辑（如按标题层级切分）。

• 切片特点：根据文档格式（如章节标题、分段符）手动指定分割点。适合文档结构清晰但内容长度不均的情况。

• 配置建议：确保文档格式统一（如 Markdown、LaTeX 的标题标记）。若章节内容过长（如超过 1000 tokens），可进一步细分。

Table（表格切片）

• 适用场景：数据密集型表格（如财务报表、科研数据表）。需要保留行列关系的场景（如交叉分析）。

• 切片特点：精准识别表格结构（如合并单元格、行列嵌套）。将表格转换为结构化数据（如 JSON 或 CSV）后切片。

• 配置建议：块 token 数建议设置为 512-1024，确保完整包含表格内容。可结合“自动问题”功能，为表格生成潜在问题（如“2024年Q2销量最高的是哪个产品？”）。

Paper（论文切片）

• 适用场景：学术论文、技术报告等复杂文档。需要保留公式、图表和参考文献的场景。

• 切片特点：支持 LaTeX 公式解析，保留数学表达式的语义。自动识别图表标题与正文的关联性（如“图1所示...”）。

• 配置建议：块 token 数建议设置为 512-768，避免公式被截断。可结合“知识图谱提取”，构建论文间的引用关系网络。

Book（书籍切片）

• 适用场景：长篇书籍、小说、百科全书等。需要按章节或主题分割的场景。

• 切片特点：按章节标题或分卷逻辑切分，保留故事线或逻辑链。支持大块处理（如单章内容可达数千 tokens）。

• 配置建议：块 token 数建议设置为 1024-2048，适应长篇内容。若需检索具体情节，可进一步细分章节为段落级切片。

Laws（法律文档切片）

• 适用场景：法律条文、合同、法规等结构化但语义复杂的文档。需要精准定位条款的场景（如合规审查）。

• 切片特点：自动识别条款编号、条款类型（如“违约责任”“保密条款”）。

• 保留条款间的逻辑依赖关系（如“本合同第X条优先于第Y条”）。

• 配置建议：块 token 数建议设置为 256-512，确保条款完整性。可结合“页面排名”功能，提升高频条款的检索权重。

Presentation（幻灯片切片）

• 适用场景：PPT、Keynote 等演示文稿。需要提取关键观点和图表的场景。

• 切片特点：按幻灯片页分割，保留标题、正文和图表的关联性。支持 OCR 解析扫描件中的文字和公式。

• 配置建议：块 token 数建议设置为 128-256，适应幻灯片的简洁性。可结合“自动关键词”功能，提取每页的核心观点。

One（单块切片）

• 适用场景：极短文本（如摘要、标签、元数据）。需要整体处理的场景（如一句话定义）。

• 切片特点：将整个文档或段落视为单个块，不进行分割。适用于无需分段的场景（如术语表、索引）。

• 配置建议：确保文档内容简洁（如不超过 256 tokens）。可结合“自动问题”功能，为单块生成潜在问题。

Tag（标签切片）

• 适用场景：分类标签、元数据、关键词提取。需要快速检索标签对应内容的场景（如商品分类）。

• 切片特点：按标签或分类分割文档（如“电子产品”“家电”）。支持标签嵌套（如“手机 > 5G 手机”）。

• 配置建议：确保标签体系清晰且层级合理。可结合“页面排名”功能，提升高频标签的检索优先级。

选择切片方式的核心原则

• 文档类型匹配：根据文档的结构（表格、段落、章节）和内容（问答、条款、公式）选择最适配的切片方式。

• 业务需求驱动：若需精准定位条款（如法律合同），选择 Laws；若需问答匹配（如客服系统），选择 Q&A。

• 参数调优：块 token 数需平衡信息完整性和模型输入限制（一般不超过模型最大长度的 80%）。利用“重叠切片”避免跨段信息丢失（如 General 和 Manual）。

• 可解释性与溯源：选择能保留原始文档结构的切片方式（如 Table 和 Paper），便于后续引用溯源。

示例场景对比

通过结合文档特性、业务目标和参数调优，RAGFlow 的切片方式能够显著提升检索效率和生成质量。实际应用中，建议通过 A/B 测试 不同切片方式，结合人工验证（如检查召回结果的准确性）选择最优方案。