Retrieval mit übergeordneten Dokumenten und Satzfenstern
Entkoppeln Sie die Chunks, in denen Sie suchen, von den Chunks, die Sie zurückgeben, damit das LLM präzise Treffer mit umfassendem Kontext erhält.
Retrieval mit übergeordneten Dokumenten und Satzfenstern ist eine kostenlose LangChain / RAG / Vector DBs-Lektion auf CoddyKit. Dies ist Lektion 4 von 4. Du kannst die komplette Lektion unten kostenlos lesen – dann übst du sie direkt im Browser mit einem integrierten Code-Editor und einem KI-Tutor rund um die Uhr. Sie ist Teil des LangChain / RAG / Vector DBs-Lernpfads, und dein Fortschritt wird über Web und CoddyKit-App synchronisiert. Der LangChain / RAG / Vector DBs-Kurs umfasst insgesamt 4 Lektionen.
Teile dieser Lektion wurden noch nicht übersetzt und werden auf Englisch angezeigt.
The Chunk-Size Dilemma
Small chunks search precisely but lack context; large chunks give context but dilute relevance. Parent document retrieval resolves this tension by searching small and returning large.
Two Chunk Sizes
Index small child chunks for accurate similarity matching, but keep a link to the larger parent chunk that surrounds each one.
- Search on child embeddings
- Return parent text to the LLM
ParentDocumentRetriever
LangChain provides a ready-made retriever. You give it a child splitter, an optional parent splitter, a vector store, and a doc store for the parents.
from langchain.retrievers import ParentDocumentRetriever
retriever = ParentDocumentRetriever(
vectorstore=vectorstore,
docstore=store,
child_splitter=child_splitter,
parent_splitter=parent_splitter,
)Adding Documents
The retriever splits each document into parents and children, embeds the children, and stores parents keyed by id so they can be fetched on a hit.
retriever.add_documents(docs)
results = retriever.invoke("What is the refund window?")
print(len(results[0].page_content)) # large parent textSentence-Window Retrieval
A variant indexes single sentences but, on retrieval, expands each hit to include the surrounding sentences. The model sees the exact match plus neighbors.
Storing the Window
During indexing you save the neighboring text in metadata so it can be stitched back at query time.
doc.metadata["window"] = " ".join(
sentences[max(0, i-2): i+3]
)
doc.page_content = sentences[i]Swapping Content After Search
After similarity search returns the matched sentence, replace its content with the stored window before passing it to the LLM.
for r in results:
r.page_content = r.metadata["window"]When to Use Each
Parent document suits structured docs with natural sections. Sentence-window suits dense prose where precise sentences matter most.
Avoiding Duplicate Parents
Multiple child hits can map to the same parent. Deduplicate by parent id so the LLM is not handed the same passage twice.
seen = set()
unique = []
for d in results:
pid = d.metadata["parent_id"]
if pid not in seen:
seen.add(pid)
unique.append(d)Cost and Context Limits
Returning larger parents consumes more of the LLM context window. Balance the parent size against your token budget and the number of results k.
Putting It Together
Index fine-grained children, retrieve precisely, then expand to parents or windows. Your generation step receives focused yet contextual passages.
docs = retriever.invoke("cancellation terms")
context = "\n\n".join(d.page_content for d in docs)
answer = llm.invoke(f"Context:\n{context}\n\nQuestion: ...")Quick Check
Test your understanding of decoupled retrieval.
Recap
You learned to decouple search and return units:
- Parent document: search children, return parents
- Sentence-window: match sentences, expand to neighbors
- Deduplicate parents and watch context limits
Lerne LangChain / RAG / Vector DBs mit einem KI-Tutor — kostenlos
Schreibe und führe echten Code in deinem Browser aus, bekomme sofortige Hilfe von einem 24/7 KI-Tutor und setze dein Lernen im Web oder in der App fort.
- Kurse
- 12
- Lektionen
- 48
Häufig gestellte Fragen
Ist die Lektion „Retrieval mit übergeordneten Dokumenten und Satzfenstern“ kostenlos?
Ja — der vollständige Text von „Retrieval mit übergeordneten Dokumenten und Satzfenstern“ ist hier im Web kostenlos zu lesen. Um sie interaktiv zu üben (integrierter Code-Editor und 24/7 KI-Tutor) und den Rest des LangChain / RAG / Vector DBs-Kurses freizuschalten, upgrade auf CoddyKit PRO. Der LangChain / RAG / Vector DBs-Kurs umfasst insgesamt 4 Lektionen.
Was lerne ich in „Retrieval mit übergeordneten Dokumenten und Satzfenstern“?
Entkoppeln Sie die Chunks, in denen Sie suchen, von den Chunks, die Sie zurückgeben, damit das LLM präzise Treffer mit umfassendem Kontext erhält. Du übst LangChain / RAG / Vector DBs mit praktischem Code, den du direkt im Browser ausführst, und ein 24/7 KI-Tutor beantwortet deine Fragen während du die Lektion bearbeitest.
Brauche ich Erfahrung, um LangChain / RAG / Vector DBs zu starten?
Keine Vorkenntnisse erforderlich. LangChain / RAG / Vector DBs auf CoddyKit ist für Anfänger bis fortgeschrittene Lernende strukturiert, sodass du hier starten oder von Anfang an beginnen und in deinem eigenen Tempo voranschreiten kannst. Dies ist Lektion 4 von 4.
Wie lange dauert die Lektion „Retrieval mit übergeordneten Dokumenten und Satzfenstern“?
Die meisten CoddyKit-Lektionen dauern etwa 5–10 Minuten. Jede ist kompakt und interaktiv, sodass du stetig Fortschritte machst und genau dort weitermachst, wo du aufgehört hast – im Web und in der App.
Kann ich in dieser LangChain / RAG / Vector DBs-Lektion Code schreiben und ausführen?
Ja. Jede LangChain / RAG / Vector DBs-Lektion enthält einen integrierten Code-Editor, sodass du echten Code direkt in deinem Browser schreibst und ausführst und sofort KI-Feedback erhältst — ohne lokale Einrichtung erforderlich.
Alle Lektionen in diesem Kurs
- Strategien für Multi-Query-Retrieval
- Kontextuelle Komprimierung mit LLMs
- Hybridsuche und Re-Ranking
- Retrieval mit übergeordneten Dokumenten und Satzfenstern