Chunking-Strategien für RAG
Lernen Sie, Dokumente für das Embedding in geeignete Chunks aufzuteilen, damit Ihr RAG-System präzisen und relevanten Kontext abruft.
Chunking-Strategien für RAG ist eine kostenlose Vector Databases: Pinecone, Weaviate & pgvector-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 Vector Databases: Pinecone, Weaviate & pgvector-Lernpfads, und dein Fortschritt wird über Web und CoddyKit-App synchronisiert. Der Vector Databases: Pinecone, Weaviate & pgvector-Kurs umfasst insgesamt 4 Lektionen.
Teile dieser Lektion wurden noch nicht übersetzt und werden auf Englisch angezeigt.
Why Chunking Matters
Before embedding, documents are split into chunks. Chunk quality directly determines retrieval quality — too large dilutes relevance, too small loses context.
Fixed-Size Chunking
The simplest method splits text every N characters or tokens. Fast but can cut sentences mid-thought.
def fixed_chunks(text, size=500):
return [text[i:i+size] for i in range(0, len(text), size)]Overlapping Windows
Add overlap between chunks so context spanning a boundary is not lost. A 10-20% overlap is common.
def overlap_chunks(text, size=500, overlap=100):
step = size - overlap
return [text[i:i+size] for i in range(0, len(text), step)]Sentence-Aware Splitting
Split on sentence boundaries so each chunk stays grammatically whole. This usually improves embedding quality over raw character splits.
import re
sentences = re.split(r'(?<=[.!?])\s+', document_text)Recursive Chunking
Recursive splitting tries large separators first (paragraphs), then smaller ones (sentences, words) until chunks fit the size limit. It respects natural structure.
Semantic Chunking
Semantic chunking groups sentences by meaning similarity, starting a new chunk when topic shifts. More expensive but very precise.
Chunk Size vs Model
Match chunk size to your embedding model's context window and your LLM's prompt budget.
- Small chunks: precise but fragmented
- Large chunks: rich but noisy
Keeping Metadata
Store source, page, and position metadata with each chunk so you can cite sources and reconstruct context later.
chunk = {
'text': part,
'source': 'guide.pdf',
'page': 4,
'position': idx
}Parent-Child Chunks
Embed small child chunks for precise matching, but return their larger parent chunk to the LLM for full context. Best of both worlds.
Evaluating Chunking
Test different chunking configs with the same queries and measure retrieval hit rate. There is no universal best — measure for your data.
Practical Defaults
A solid starting point:
- Recursive splitting
- ~500 tokens per chunk
- ~50-100 token overlap
- Attach source metadata
Quick Check
Test your chunking knowledge.
Recap
You learned fixed, overlapping, sentence-aware, recursive, and semantic chunking, plus parent-child retrieval and metadata. Good chunking is the foundation of accurate RAG retrieval.
Lerne Vector Databases: Pinecone, Weaviate & pgvector 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 „Chunking-Strategien für RAG“ kostenlos?
Ja — der vollständige Text von „Chunking-Strategien für RAG“ ist hier im Web kostenlos zu lesen. Um sie interaktiv zu üben (integrierter Code-Editor und 24/7 KI-Tutor) und den Rest des Vector Databases: Pinecone, Weaviate & pgvector-Kurses freizuschalten, upgrade auf CoddyKit PRO. Der Vector Databases: Pinecone, Weaviate & pgvector-Kurs umfasst insgesamt 4 Lektionen.
Was lerne ich in „Chunking-Strategien für RAG“?
Lernen Sie, Dokumente für das Embedding in geeignete Chunks aufzuteilen, damit Ihr RAG-System präzisen und relevanten Kontext abruft. Du übst Vector Databases: Pinecone, Weaviate & pgvector 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 Vector Databases: Pinecone, Weaviate & pgvector zu starten?
Keine Vorkenntnisse erforderlich. Vector Databases: Pinecone, Weaviate & pgvector 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 „Chunking-Strategien für RAG“?
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 Vector Databases: Pinecone, Weaviate & pgvector-Lektion Code schreiben und ausführen?
Ja. Jede Vector Databases: Pinecone, Weaviate & pgvector-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
- Überblick über die RAG-Systemarchitektur
- Integration mit LLM-Frameworks
- Kontextbezogener Informationsabruf
- Chunking-Strategien für RAG