Hierarchiczne dzielenie na fragmenty (Hierarchical Chunking / Parent-Child)

1. Przegląd koncepcji i przeznaczenie

Gdy bierzecie podręcznik lub kodeks prawny i przygotowujecie go dla bazy wiedzy RAG, staje przed Wami najtrudniejsze pytanie inżynierskie: Jak dokładnie pociąć tekst?

Spójrzcie na problem obrazowo:

• Wariant A (Drobne cięcie po 2 zdania): Wyszukiwanie frazowe „grzywna 5000 UAH” zadziała natychmiastowo. Ale w tym mikroskopijnym fragmencie nie ma informacji, za co dokładnie grozi ta grzywna ani komu należy ją zapłacić!
• Wariant B (Duże cięcie po 10 stron): Kontekstu jest pod dostatkiem, ale wektor takiego giganta staje się szarą papką z setkami różnych tematów, przez co algorytm nie znajduje precyzyjnej odpowiedzi.

Rozwiązaniem tego problemu jest Hierarchical Chunking (zwany też Parent-Child Retriever).

Z praktycznego punktu widzenia działa to jak lupa i zdjęcie panoramiczne: szukasz szczegółu przez szkło powiększające (mały chunk), ale aby zrozumieć, gdzie ten szczegół się znajduje, robisz krok wstecz i patrzysz na cały pokój (chunk rodzica).

2. Jak działa para „Rodzic — Dziecko” (Parent-Child)

┌─────────────────────────────────────────────────────────────┐
│                 NADRZĘDNY CHUNK (Parent Chunk, 1000 słów)   │
│ «Rozdział 4. Bezpieczeństwo pracy i kary finansowe...»      │
│ ┌─────────────────────────────────────────────────────────┐ │
│ │ PODRZĘDNY CHUNK #1 (100 słów):                          │ │
│ │ «W przypadku naruszenia obowiązku noszenia kasku na budowie...» │ │
│ └─────────────────────────────────────────────────────────┘ │
│ ┌─────────────────────────────────────────────────────────┐ │
│ │ PODRZĘDNY CHUNK #2 (100 słów): ➔ DOKŁADNE ZBIEŻNOŚĆ WEKTOROWA! │ │
│ │ «...nakładana jest kara w wysokości 5 000 UAH.»         │ │
│ └─────────────────────────────────────────────────────────┘ │
└──────────────────────────────┬──────────────────────────────┘
                               │
                               ▼
     Ale do kontekstu modelu wysyłany jest CAŁY NADRZĘDNY ROZDZIAŁ #4!
     Model widzi zarówno karę, jak i pełny kontekst!

3. Dlaczego ta metoda wypiera standardowe cięcie o stałej długości

1. Idealna precyzja retrievalu: Wektory krótkich zdań są niezwykle ostre i specyficzne.
2. Zero halucynacji wynikających z braku faktów: Model zawsze widzi otaczające doprecyzowania, wyjątki od reguł („poza przypadkami klęsk żywiołowych”) oraz nagłówki sekcji.
3. Zachowanie logicznych tabel: Tabele nie są przecinane w połowie rzędów.

4. Praktyczna konkluzja

Nowoczesne frameworki (LangChain ParentDocumentRetriever oraz LlamaIndex) wspierają hierarchical chunking out-of-the-box. Poświęćcie pół godziny na konfigurację schematu Parent-Child – a trafność odpowiedzi Waszego korporacyjnego bota wzrośnie o co najmniej 30%.