Stratégies de découpage pour RAG
Apprenez à découper les documents en segments efficaces pour l’embedding afin que votre système RAG récupère un contexte précis et pertinent.
Stratégies de découpage pour RAG est une leçon Vector Databases: Pinecone, Weaviate & pgvector gratuite sur CoddyKit. Ceci est la leçon 4 sur 4. Tu peux lire la leçon complète ci-dessous gratuitement — puis la pratiquer en direct dans le navigateur avec un éditeur de code intégré et un tuteur IA 24/7. Elle fait partie du parcours d'apprentissage Vector Databases: Pinecone, Weaviate & pgvector, et ta progression se synchronise sur le web et l'application CoddyKit. Le cours Vector Databases: Pinecone, Weaviate & pgvector comprend 4 leçons au total.
Certaines parties de cette leçon n'ont pas encore été traduites et s'affichent en anglais.
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.
Apprends Vector Databases: Pinecone, Weaviate & pgvector avec un tuteur IA — gratuit
Écris et exécute du vrai code dans ton navigateur, obtiens de l'aide instantanée d'un tuteur IA disponible 24h/24, et reprends là où tu t'es arrêté sur le web ou dans l'app.
- Cours
- 12
- Leçons
- 48
Questions Fréquemment Posées
La leçon « Stratégies de découpage pour RAG » est-elle gratuite ?
Oui — le texte complet de « Stratégies de découpage pour RAG » est gratuit à lire ici sur le web. Pour la pratiquer de manière interactive (un éditeur de code intégré et un tuteur IA 24/7) et déverrouiller le reste du cours Vector Databases: Pinecone, Weaviate & pgvector, passe à CoddyKit PRO. Le cours Vector Databases: Pinecone, Weaviate & pgvector comprend 4 leçons au total.
Qu'est-ce que j'apprendrai dans « Stratégies de découpage pour RAG » ?
Apprenez à découper les documents en segments efficaces pour l’embedding afin que votre système RAG récupère un contexte précis et pertinent. Tu pratiques Vector Databases: Pinecone, Weaviate & pgvector avec du code pratique que tu exécutes directement dans le navigateur, et un tuteur IA 24/7 répond à tes questions au fur et à mesure que tu avances dans la leçon.
Dois-je avoir de l'expérience pour commencer Vector Databases: Pinecone, Weaviate & pgvector ?
Aucune expérience préalable n'est requise. Vector Databases: Pinecone, Weaviate & pgvector sur CoddyKit est structuré pour les débutants jusqu'aux apprenants avancés, donc tu peux commencer ici ou depuis le début et avancer à ton rythme. Ceci est la leçon 4 sur 4.
Combien de temps prend la leçon « Stratégies de découpage pour RAG » ?
La plupart des leçons CoddyKit prennent environ 5–10 minutes. Chacune est courte et interactive, tu progresses régulièrement et tu repiques exactement où tu t'es arrêté sur le web et l'app.
Peux-tu écrire et exécuter du code dans cette leçon Vector Databases: Pinecone, Weaviate & pgvector ?
Oui. Chaque leçon Vector Databases: Pinecone, Weaviate & pgvector inclut un éditeur de code intégré, tu écris et exécutes du vrai code directement dans ton navigateur et tu reçois des retours IA instantanés — aucune configuration locale requise.
Toutes les leçons de ce cours
- Présentation de l’architecture d’un système RAG
- Intégrer des cadres LLM
- Récupération d’informations contextuelles
- Stratégies de découpage pour RAG