知识库索引进阶

第 4、5 章讲了基础切片与检索参数。但真实文档往往很长、层级很多：用固定长度切片会把一个完整流程「切断」，召回时只拿到半截。本章讲两个进阶武器——父子分段与检索调优。

1. 为什么普通分段会丢上下文

固定长度分段（如每段 500 字）存在两难：

• 段太长 → 噪音多、向量被稀释
• 段太短 → 缺少前后文，模型看不懂

文档天然有「章节 → 小节 → 段落」的层级。父子分段（Parent-Child Chunking） 利用这层结构解决矛盾。

2. 父子分段的原理

• 父片段：按文档逻辑结构（标题、段落）切出较大的块，保留完整语义
• 子片段：在父块内再细切成小块用于向量检索（更易命中）
• 检索时先用子片段匹配，命中后返回对应的父片段给模型

# 父子分段配置示意
indexing_technique: "parent_child"
parent:
  chunk_size: 1000
  separator: ["\n## ", "\n### "]
child:
  chunk_size: 200
  overlap: 20
retrieve: child_match_then_return_parent

3. 混合检索权重调优

开启混合检索后，向量得分与关键词得分需要融合。语义问法多 → 调高向量权重；编号、专有名词多 → 调高关键词权重。

retrieval_mode: hybrid
weights:
  semantic: 0.7
  fulltext: 0.3
rerank:
  enabled: true
  model: bge-reranker-v2-m3
  top_n: 5

4. 重排与阈值联动调优

粗召回一批候选（如 20 个）→ 重排模型精排 → 取 TopN → 再按相似度阈值过滤。三步联动，常见基线：粗召回 20、重排取 5、阈值 0.5。

小结

• 父子分段：子片段检索、父片段送模型，兼顾精度与上下文
• 混合检索靠权重平衡语义与关键词
• 重排 + 阈值联动，重排开时阈值宜放宽
• 下一步：把检索嵌进更复杂的工作流分支 →