评估油气企业文档中检索增强生成的分块策略
信息检索
2026-03-26 v1 人工智能
摘要
检索增强生成 (RAG) 已成为一种解决大型语言模型 (LLM) 约束的框架。然而，其有效性根本取决于文档分块——这往往被忽视的因素决定了其质量。本文提出了一项实证研究，对比评估了四种分块策略：固定大小滑动窗口、递归、断点基语义和结构感知。我们使用专有的油气企业文档语料库进行评估，包括文本密集型手册、表格密集型规格说明书以及管道和仪表图 (P&IDs)。我们的发现表明，结构感知分块在整体检索有效性方面表现更好，尤其在前K指标方面，还比语义或基线策略在计算成本方面显著更低。关键的是，所有四种方法在P&IDs 上都表现有限，这凸显了纯文本RAG 在视觉和空间编码文档中的核心局限性。我们得出结论，虽然保持结构显式性对特定领域至关重要，但未来的工作必须集成多模态模型来克服当前局限性。
引用
@article{arxiv.2603.24556,
title = {Evaluating Chunking Strategies For Retrieval-Augmented Generation in Oil and Gas Enterprise Documents},
author = {Samuel Taiwo and Mohd Amaluddin Yusoff},
journal= {arXiv preprint arXiv:2603.24556},
year = {2026}
}
备注
Presented at CCSEIT 2026. This version matches the published proceedings