Retrieval di documenti principali e finestre di frasi
Disaccoppi i chunk cercati da quelli restituiti, così che l’LLM riceva corrispondenze precise corredate da un contesto ricco.
Retrieval di documenti principali e finestre di frasi è una lezione LangChain / RAG / Vector DBs gratuita su CoddyKit. Questa è la lezione 4 di 4. Puoi leggere la lezione completa qui gratuitamente — poi esercitati direttamente nel browser con un editor di codice integrato e un tutor IA disponibile 24/7. Fa parte del percorso di apprendimento LangChain / RAG / Vector DBs, e i tuoi progressi si sincronizzano tra il web e l'app CoddyKit. Il corso LangChain / RAG / Vector DBs include 4 lezioni in totale.
Parti di questa lezione non sono ancora state tradotte e vengono mostrate in inglese.
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
Impara LangChain / RAG / Vector DBs con un tutor IA — gratis
Scrivi ed esegui vero codice nel tuo browser, ricevi aiuto istantaneo da un tutor IA disponibile 24/7, e riprendi da dove hai lasciato sul web o nell'app.
- Corsi
- 12
- Lezioni
- 48
Domande Frequenti
La lezione «Retrieval di documenti principali e finestre di frasi» è gratuita?
Sì — il testo completo di «Retrieval di documenti principali e finestre di frasi» è gratuito qui sul web. Per esercitarvi in modo interattivo (un editor di codice integrato e un tutor IA 24/7) e sbloccare il resto del corso LangChain / RAG / Vector DBs, passa a CoddyKit PRO. Il corso LangChain / RAG / Vector DBs include 4 lezioni in totale.
Cosa imparerò in «Retrieval di documenti principali e finestre di frasi»?
Disaccoppi i chunk cercati da quelli restituiti, così che l’LLM riceva corrispondenze precise corredate da un contesto ricco. Eserciti LangChain / RAG / Vector DBs con codice pratico che esegui direttamente nel browser, e un tutor IA 24/7 risponde alle tue domande mentre lavori sulla lezione.
Ho bisogno di esperienza per iniziare LangChain / RAG / Vector DBs?
Non è richiesta alcuna esperienza precedente. LangChain / RAG / Vector DBs su CoddyKit è strutturato per principianti e studenti avanzati, quindi puoi iniziare da qui o dall'inizio e procedere al tuo ritmo. Questa è la lezione 4 di 4.
Quanto tempo richiede la lezione «Retrieval di documenti principali e finestre di frasi»?
La maggior parte delle lezioni CoddyKit richiede circa 5–10 minuti. Ogni lezione è breve e interattiva, quindi fai progressi costanti e riprendi esattamente da dove hai lasciato su web e app.
Posso scrivere ed eseguire codice in questa lezione LangChain / RAG / Vector DBs?
Sì. Ogni lezione LangChain / RAG / Vector DBs include un editor di codice integrato, quindi scrivi ed esegui codice reale direttamente nel tuo browser e ricevi feedback istantaneo dall'IA — nessuna configurazione locale necessaria.
Tutte le lezioni di questo corso
- Strategie di recupero multi-query
- Compressione contestuale con gli LLM
- Ricerca ibrida e riordinamento
- Retrieval di documenti principali e finestre di frasi