RAG 中父子分块检索怎么做？长文档和多跳问题如何补全上下文？

简化版

父子分块把文档切两遍：小的子块参与检索（语义集中，找得准），命中后把它所属的大父块交给模型（上下文完整，答得全），也就是「小块用来找，大块用来答」。答案跨越相邻段落时，可以按需做邻居扩展补前后片段。多跳问题的证据分散在多处，一次 Top-k 检索往往不够，要先分解子问题再迭代检索，每一步保留来源、证据不足就停，避免错误中间结论继续传播。关键——不能简单把 Top-k 调大（大量无关上下文会增成本，还触发「中间遗忘」）。

详细版

补全上下文的常见策略：

1. 父子检索：小子块匹配、返回较完整父块；
2. 邻居扩展：命中一个 chunk 后补同文档前后片段；
3. 层次摘要：为章节/文档建摘要索引，先定位范围再深入原文；
4. 问题分解：多跳问题拆成多个子问题，按依赖顺序检索；
5. 迭代检索：从首轮证据抽取实体/线索，再发起下一轮；
6. 证据图：把实体、关系、来源组织起来支持跨文档查询。

前三种解决「找到了但上下文不够」，后三种解决「一次找不全」。应根据问题动态选检索轮数、上下文窗口、停止条件。

完整版教学

一、父子检索解决什么

小块匹配更精确，却可能缺标题、定义、例外条款；大块上下文完整，却因为一段里混着几件事而不容易被命中。父子检索为每个小块记录所属父块，两种尺寸各干各的活：

命中【子块】"逾期利率为 0.05%/天"（精确匹配）
→ 返回【父块】"第五条 违约责任：...逾期利率为 0.05%/天...（含前提和例外）"
→ 生成模型拿到完整上下文

适合章节结构明确的手册、合同、技术文档。有两条使用原则：父块回填放在重排之后——重排拿问题和片段一起打分，子块语义集中打分才准，换成父块再重排判断会变模糊；父块不宜过大——过大会重新引入噪声，可只返回命中句周围窗口并保留标题路径。

二、邻居扩展的适用场景

若答案跨越相邻段落，可在命中块前后补 1-2 个块。但要校验：必须同文档、同章节、连续位置——不能把索引里相邻但原文无关的块硬拼。

优点：邻居扩展比固定大 overlap 更省索引空间，因为只在查询时按需取上下文，而非建库时就冗余存储。

三、什么是多跳问题（单跳 vs 多跳）

单跳（一段证据直接答）："产品 A 的保修期多久？"
多跳（连接多个事实）："产品 A 的负责人所在部门今年发布了哪些项目？"
  需要：① 找负责人 → ② 找他的部门 → ③ 找该部门项目

如果直接把完整问题编码成一个向量，多个关系被压缩在一起，而单个文档往往只覆盖其中一跳，因而未必与整句高度相似。这是单轮 Top-k 检索在多跳问题上常见的失败机制，但具体能否命中仍取决于语料、模型与问题表达。父子检索和邻居扩展只能补全一处证据的上下文，补不出分散在别处的另一跳。

四、问题分解与迭代检索

规划子问题（有依赖）：
  1. 产品 A 的负责人是谁？        → 检索得到"张三"
  2. 张三属于哪个部门？           → 用"张三"检索得到"研发部"
  3. 研发部今年发布了哪些项目？   → 用"研发部"检索
每步保存：文档 ID + 原文片段 + 置信信号

关键原则：某一步没有可靠证据时应停止或换查询，而不是让模型猜一个中间答案继续（否则错误逐步传播）。互不依赖的子问题可并行检索降延迟。

五、层次检索与停止条件

长文档建「文档摘要 → 章节摘要 → 原始片段」多级索引，先按问题选文档/章节，再在限定范围搜细节。适合「总结整份报告主要风险」这类范围型问题。但摘要会漏细节，最终事实要回到原始片段。

迭代检索可能无限扩散，生产系统必须限制：最大跳数、每跳候选数、总 token，并在证据已覆盖问题要点时停止。可缓存子查询结果、并行无依赖步骤、用轻量模型做规划。

多跳链路每增加一步都会传播召回误差和生成假设，因此必须保留证据路径、设置停止条件，并验证最终答案是否由检索证据支持。

六、常见误区与追问

• 误区：多跳问题把 Top-k 调大就行。 大量无关上下文增成本、触发中间遗忘，反而更差，要分解+迭代。
• 误区：长上下文能自动解决多跳。 研究表明关键信息在中间时模型利用下降（lost in the middle），仍要先筛选组织证据。
• 误区：邻居扩展可以随便拼相邻块。 必须校验同文档/同章节/连续位置，否则拼进无关内容。
• 误区：层次摘要可以当最终事实。 摘要会漏细节，事实要回到原始片段。
• 误区：父块回填越早做越好。 回填要放在重排之后，否则重排拿混杂多件事的父块打分，排序反而变差。
• 追问：父子检索兼顾了什么？ 子块精确匹配 + 父块完整上下文，“找得准”和”读得全”兼得。
• 追问：为什么一次向量检索常难处理多跳？ 多个关系压进一个向量，而单个文档通常只覆盖一跳，相关证据可能排不到前列。
• 追问：中间步骤没证据怎么办？ 停止或换查询，绝不让模型猜中间答案继续（防错误传播）。
• 追问：迭代检索怎么防无限扩散？ 限最大跳数/每跳候选/总 token，证据覆盖要点即停，缓存+并行降本。

七、策略判断表

策略	检索单位	返回上下文
固定 Chunk	同一文本块	命中的块
Parent-Child	小块	对应父块
邻居扩展	命中块	前后相邻块
Multi-hop	当前问题/中间问题	多轮证据链

八、加强记忆

补上下文记「小块找、大块答」：父子检索让子块负责精确匹配、父块负责完整上下文，回填放在重排之后；邻居扩展按需补前后片段，要校验同文档连续位置，比大 overlap 省空间；长文档靠层次摘要先定范围再回原文。多跳记「沿线索连续找卡」：单跳”找到一张卡就能答”，多跳”分解子问题→迭代检索（每步用上步实体、保留证据、无证据即停）“。核心认知钉死：别简单调大 Top-k（增噪+中间遗忘）、长上下文不自动解决多跳、每一步都要证据链兜底不让模型猜、迭代要设停止条件。

项目实战落地

项目里怎么做的

《AI Agentic RAG高级企业知识库平台》的「父子分块-制度手册」策略把文档切两遍：父块 1200 字、子块 300 字、子块之间重叠 30 字，父块之间不重叠。切分结果都存在 knowledge_chunk 表里，靠 chunk_type（普通块、父块、子块）和 parent_id 区分层级。

• 只有子块参与检索。 向量化时只给普通块和子块生成向量，父块刻意跳过；向量检索和 BM25 的候选也都只取这两类。
• 回填放在链路最后。 检索顺序是「查询改写 → 双路召回 → RRF 融合 → 重排 → 父块回填 → 阈值过滤」，重排之前全程用子块。
• 回填时合并同父。 命中的子块换成它的父块，几个子块属于同一个父块时只保留一份，排序位次和分数沿用排在最前面的那个子块。
• 保留命中痕迹。 回填后的结果记下 matched_chunk_id，来源标成「……→父块回填」，页面上能追溯到实际匹配的是哪一小段。

项目里三套检索策略，只有「完整-混合检索加重排加改写」打开了父块回填开关。

为什么这样取舍

• 父块之间不重叠。 父块要整块交给模型，重叠只会让模型读到大段重复内容。
• 回填不提前。 父块里混着好几条规定，拿它去重排，相关性判断会变模糊。

面试官还会追问

• 父块被删了或者数据不一致，回填时找不到父块，这条结果会怎样？
• 切的时候用了父子分块，检索策略却没开父块回填，效果为什么反而比普通分块还差？

学完《AI Agentic RAG高级企业知识库平台》，上面这些追问你都会迎刃而解。