AITerms 登入
自然語言處理資料處理大型語言模型

分塊處理(Chunking)是什麼?

分塊處理是指將大型資料集或文本分割成更小、更易於管理的部分,以便於模型處理和分析,提升效率。

完整定義

分塊處理是一種將大型資料集或文本分割成更小、更易於管理的部分的技術。這種方法在處理長文本、大型圖像或複雜資料結構時非常有用,可以降低計算複雜度,提升模型處理速度和效率,並減少記憶體佔用。

白話說明

你要處理一篇太長的文件或太大的資料集時,你會怎麼判斷它真正的作用?

你可以把它想成 分塊處理是指將大型資料集或文本分割成更小、更易於管理的部分,以便於模型處理和分析,提升效率。

在 你要處理一篇太長的文件或太大的資料集時 這種情境裡,這個概念會直接影響你怎麼設計、怎麼評估、怎麼上線。

比喻

分塊處理就像把一本很厚的書拆成好幾本小冊子 -- 一次讀一本小冊子更容易消化和理解,也方便你快速找到某個章節,而不是抱著整本書來回翻找。

容易混淆

分塊處理 vs 斷詞

分塊處理是把長內容切段,斷詞是把文字切成 token 或詞。

分塊處理 vs 批次處理

分塊處理是在內容上切段,批次處理是在計算流程上分批送入。

分塊處理 vs 完整輸入

完整輸入一次吃完,分塊處理則是拆開後逐段處理。

實際案例

案例 1:長 PDF 摘要

把文件切成可讀的小段,模型才有機會逐段理解。

案例 2:RAG 檢索

切塊後每塊更容易被檢索命中,也比較好放進上下文。

深入了解

面向
核心
重點
把長內容切成可處理的單位,避免上下文和記憶體超載。
面向
做法
重點
常會加重疊、加入標題資訊,讓切段不會太碎。
面向
注意
重點
切太小會失去上下文,切太大又會塞爆模型。

中英對照與它在 RAG 裡的位置

在檢索增強生成(RAG)流程裡,分塊是文件進入知識庫的第一道加工。它決定了之後檢索能撈到什麼,也就決定了模型能拿什麼來回答。分塊做壞,後面所有環節都救不回來。

中文
分塊 / 切塊
英文
chunking
說明
把長文件切成適合檢索的段落
中文
塊
英文
chunk
說明
切出來的每一段
中文
重疊
英文
overlap
說明
相鄰兩塊之間刻意重複的部分
中文
分塊策略
英文
chunking strategy
說明
決定怎麼切的規則

四種常見策略與怎麼選

固定長度切分。 每 N 個字元或 token 切一刀。最簡單,但會把句子甚至詞切斷,語意破碎。

依分隔符切分(遞迴切分)。 先試著在段落處切,太長就退而在句號處切,再太長才切字元。這是多數框架的預設,也是實務上的合理起點。

依文件結構切分。 Markdown 依標題層級切、程式碼依函式切、HTML 依區塊切。文件本身有明確結構時,這個方法明顯優於前兩種,因為切出來的每一塊本來就是一個完整單元。

語意切分。 逐句計算嵌入向量,在語意轉折處切開。效果好但成本高,而且對嵌入模型的品質很敏感。

一個實務上很有效的補強:把父段落一起帶上。 檢索時比對小塊(精準),命中之後回傳它所屬的大段落(脈絡完整)。這個做法常見的名字是 parent document retriever 或 small-to-big,能同時拿到兩邊的好處。

另一個常被忽略的細節:每一塊都要帶元資料。 來源檔名、標題路徑、頁碼、更新日期。沒有這些,回答時就標不出出處,使用者無法查證,出錯時你也追不出是哪一塊造成的。

參數
塊大小
常見設定
300 到 800 token
判斷方式
塊大則上下文完整但雜訊多,塊小則精準但缺脈絡
參數
重疊
常見設定
塊大小的 10% 到 20%
判斷方式
避免答案剛好被切在交界處

情境判斷

Q1(判斷題): 一篇超長報告要丟給模型,先分塊通常會更好嗎?

通常會,因為模型更容易逐段處理。

Q2(判斷題): 分塊越小就越好嗎?

不是,太小會把關鍵上下文切散。

常見問題

範例考題

某企業建置文件型知識查詢系統,將大量長篇內部文件轉換為可供生成式 AI 使用的知識來源。在測試過程中,團隊發現若直接以整份文件進行檢索,模型回覆常包含無關內容,且引用段落不夠精準。團隊評估後,決定導入 Chunking 機制的主要目的為何?

  1. A透過縮短輸入長度,加速模型推理流程
  2. B提升檢索結果的語意對齊程度,並降低長文件帶來的干擾
  3. C減少模型執行時的記憶體使用量,以提升系統穩定性
  4. D讓模型在生成回覆時具備更高的創意發揮空間
到題目頁作答

出現在這些考古題

官方公告試題的逐題解析裡,這 3 題把分塊處理列為延伸術語。

相關術語

本頁內容有提到,或屬於同一組主題的術語

來源

這個術語目前沒有標註外部來源。

其他格式:Markdown 版本