再谈大模型长文本分块，以及分块在RAG中的作用？

文本分块也就是chunk技术是大模型领域中非常重要的一项技术，原因就在于大模型众所周知的问题，上下文窗口限制；虽然说现在大模型的窗口经过几次扩容之后已经达到了一个非常可观的长度，但依然还存在很多问题。

比如说，长文本导致的模型幻觉问题；中间丢失现象等多种性能问题；而且，在RAG技术中，长文本也是一个亟待解决的问题。

而现在业内普遍的处理方式就是文本分块，把一段长文本根据某种方式拆分成多种小的文本块；这样就有助于大模型进行处理，也能间接降低大模型的幻觉等问题。

在大模型上下文窗口中文本分块就比较好理解，这就类似于我们平常看一本很厚的书；我们无法做到一次就给全部看完，因此常见的做法就是今天看一点，明天看一点，然后一段时间之后就看完了。

而我们在看书的过程中，比如昨天看了一部分停了下来；今天接着看，但可能我们一时想不起来昨天看到哪里了；因此就会找到昨天看的大概位置再往前一点，这样有助于我们回忆昨天看的内容；也有助于上下文的连贯性。

而大模型长文本处理有一种方式也是采用类似的方式，那就是把文本按照chunk_size进行分块；然后使用chunk_overlap重叠一部分内容。而chunk_overlap重叠的部分就相当于我们看书时往前看的一部分，这样有助于上下文的连贯性，特别是对大模型这种没有记忆能力的系统来说。

而在代码方面具体的表现就如下所示，加载文档之后使用分词工具根据不同的长度进行分词，分词的长度和重叠部分就是由chunk_size和chunk_overlap来指定，之后再转化为向量。

"""加载文档"""def load_documents(directory=dir_path):    loader = DirectoryLoader(directory)    documents = loader.load()
    # for document in documents:    #     print(document)    # 文档分割    text_spliter = CharacterTextSplitter(chunk_size=256, chunk_overlap=10)    spliter_docs = text_spliter.split_documents(documents)
    return spliter_docs

当然，在一些没有语义相关的上下文中，也可以不使用chunk_overlap参数；只根据chunk_size或其它方式进行分块。比如说，今天工作日我在上班；今天天气不错；这两句话从语义上来说没有任何相关性，因此可以进行完全分块。

虽然说文本分块是大模型技术中很常见的一种处理方式，但现在有一个疑问就是；在大模型上下文窗口中这样的使用方式很容易理解；但在RAG中就存在一个问题。

RAG中一般使用向量数据库作为数据的存储方式，原因就在于向量数据库能很好的保证文本之间的语义关系(也有图像关系，混合关系等多种情况)。

但长文本被分块之后，在向量数据库中的表现形式也是一条一条的记录；如果说一条语义相关的长文本被拆分成多个小块，然后存储在向量数据库的不同位置。

这时在进行向量检索时，向量数据库是怎么保证检索内容的相关性的？

难道是因为具有语义相关的内容被保存在相近距离的向量空间中？比如欧氏距离就是通过计算不同向量之间的距离来表示其相关性。

但如果面对着百亿级以上的向量存储需求，向量数据库怎么保证快速且准确高效的检索到相关数据？ 

个人猜测，长文本被拆分之后，为了保证语义相关性，因此采用了chun_overlap的方式来让拆分的文本有重叠的内容；根据这些重叠的内容，在进行向量计算的时候会把这相关的数据放到一块；或者能够通过一种方式进行快速检索。

如下图所示，文本被拆分之后，因为有chunk_overlap参数关联文本的语义关系；那么，在向量数据库中就会把语义相关的内容记录到更近的位置；这样在检索的时候，就可以根据向量之间的关系获取相关的数据。

这就类似于传统SQL语句的like功能，可以根据某个字段或语句查询到多条记录；然后再从这多条记录中筛选出语义相关性最高的数据。

但这同样有新的问题，那就是chunk_overlap只是文档拆分的一种方式；还有很多其它的方式可以拆分；那么这就说明一件事，chunk_overlap只是一种表象，核心在于怎么保证上下文语义的相关性；如果不使用chunk_overlap的方式，或者不使用欧式距离的计算方式， 那么怎么才能保证文本上下文的相关性呢？

而且，我们都知道大模型是经过训练和微调的方式，通过不断调整神经网络的参数值来“学习”不同文本(多模态)数据之间的关系，那这个学习的过程是不是就是在不断的计算向量之间的关系？