还在用“一刀切”的方式分块你的文档吗？out 了！现在流行“先 Embedding 再 Chunking”——让语义相似度自己决定 chunk 边界，检索精度直接拉满！👇
01｜传统 RAG：先分块再 Embedding，问题一堆！
👎固定大小分块：按字数/token数硬切，句子被拦腰斩断，语义断裂，检索时一脸懵。
👎递归字符分块：按段落/换行切，长段落超长，短段落超短，上下文窗口被浪费，无关信息混入，召回率暴跌。
结果就是：小块找不到上下文，大块找不到重点！
2025年研究都说了：事实类问题适合64-128 token，叙事类问题适合512-1024 token——但谁能提前知道用户问什么？😭
02｜王炸新方法：先 Embedding 再 Chunking！
🧠核心思想：把分块当成“时序聚类问题”——
- 先把整篇文档的每个句子都 Embedding 成语义向量；
- 再按句子顺序，逐句判断：
- 新句子 vs 当前块内最大相似度
- 当前块内最小相似度
如果新句子“更亲”→拉进群；如果“不熟”→另起炉灶！
💡三句话总结：
- 只聚类连续句子，保证顺序不乱；
- 用余弦相似度做门槛，语义不相关的自动踢出；
- 块大小、相似度阈值3个超参数就能调，轻量到飞起！
03｜实战效果：同样一段文档，新旧对比肉眼可见！
📄Milvus Release Note 长文档
- 旧方法：版本号和新功能被切成两块 → 用户问“2.4.13 有哪些新功能？”→ Embedding 找不到版本号，答非所问！
- Max–Min 语义分块：版本号与功能描述语义相近 → 留在同一块 → 检索时一起召回 → 回答精准命中！
📈实验数据（论文出处：Springer 2025）
- 事实类问答 Top-5 命中率 ↑18%
- 叙事类问答 Top-5 命中率 ↑12%
- 无需额外 Embedding 计算，CPU 时间仅 +3%
04｜超参调优 30 秒速成
- max_chunk_size：别让块超模型窗口（一般 256/512/1024 token）
- init_threshold：第一句 vs 第二句最低相似度（0.7~0.9）
- new_sentence_threshold：新句 vs 块内最大相似度下限（0.75~0.95）
口诀：大块高门槛，小块低门槛；长文档加滑动窗口，相邻块重叠 20%！
05｜长距离依赖怎么办？三招搞定！
❓痛点：跨块关键信息仍可能被切断
✅解决方案：
- 滑动窗口重采样：块内每 50% 位置再采一次，扩大语义覆盖
- 重叠上下文：相邻块保留 20% 重复，保证衔接
- 多趟扫描：先粗分再细分，把“远亲”也拉进视野
06｜落地 Tips：今天就能用起来！
🛠️代码实现
- 任何能 sentence-transformer 的框架都 OK（HuggingFace、Jina、OpenAI text-embedding-3）
- 相似度计算一句
cosine_similarity()搞定 - 向量数据库 Milvus / Zilliz Cloud 已支持 Late Chunking，参数直接填！
📝接入流程
- 句子级 Embedding → 2. Max–Min 算法分块 → 3. 块向量入库 → 4. 查询时同样 sentence 级 Embedding → 5. 召回再拼接上下文 → 6. 扔给大模型生成答案！
07｜未来趋势：多策略融合
没有万能分块，只有适合你数据的策略！
下一代 RAG 会是语义 + 结构 + 场景多维度动态融合：
- 文档结构（标题、段落）
- 语义相似度（Max–Min）
- 查询场景（事实/叙事/多跳）
别再让“一刀切”的分块拖垮你的 RAG 精度！
把这篇转给团队，今晚就试试「先 Embedding 再 Chunking」，你会回来感谢我的！
如何学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
第一阶段（10天）：初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段（30天）：高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示（Embeddings）
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段（30天）：模型训练
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段（20天）：商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身：基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例：如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。
如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。
)
