RAG优化：17种RAG优化方案，那种才是最佳选择？
1，基础检索vs语义切分
方案1：Simple RAG（固定字数硬切）
缺陷：模型因上下文丢失产生严重幻觉，难以实现精细推理
方案2：Semantic Chunking(语义切分)
短句机制：
不在看字数死理，而是基于句子语义差异。当检测到转折词（如"然而"）或话题发生跃迁时，自动触发边界切分，保证段落语义浑然一体。升级点：主题统一，逻辑连贯，模型理解效率大幅提升
缺点：切块太小，刹车纹不过大,很多跨段落的信息会丢失。
2，大小块协同vs上下文增强
方案3：Small-to-Big Retrieval
核心思想：小快找，大块答。
将一整章（Parent Chunk）拆分为数十个子块（Child Chunk）。检索时比对高灵敏的子块，而最终为给LLM的则是完整的父块。
子块命中（高精度）------>映射提取完整父块方案4：Context Enriched(上下文增强)
高性价比改造方案：
当定位到目标文本块后，检索机制自动向外辐射，将其前后的邻居块一并打包召回，提供充沛的背景承接。
前置块------>命中核心块------>后置块全量交付 （性价比最高）
3，块级加标vs文档增强
方案5：Chunk Header(给文本块加标题)
在向量化存储前，使用小模型为每个切块自动提炼摘要并附带所属章节路径
存储样式：
[章节主旨：AI医疗应用场景与挑战]+正文内容。这使得碎片快天然具备全局视野，极大提高检索匹配率方案6：Document Augmentation(文档增强)
利用"问题匹配问题"的天然优势
不直接单存文档。先对文本反向生成多条高频潜在问题，将【衍生问题集+原文本快】绑定进行向量化。用户输入问题时，可以直接与这部分衍生问题精准对接。