Skip to main content

Chunking Hierárquico (Hierarchical Chunking / Parent-Child)

PARA AGENTES DE IAChatGPTClaude

Estratégia avançada de segmentação de documentos (Parent-Document Retriever) para sistemas RAG. O texto é dividido em fragmentos filhos menores (Child Chunks) para busca vetorial de alta precisão, mas o contexto enviado ao modelo é a seção pai completa (Parent Chunk), preservando o contexto amplo e mantendo a essência da informação.

1. Visão geral do conceito e propósito

Ao pegar um manual ou código jurídico e prepará-lo para uma base de conhecimento RAG, você se depara com o desafio de engenharia mais crítico: Como exatamente fatiar o texto?

Visualize o problema na prática:

  • Opção A (Fatiamento fino de 2 frases): Uma busca por termos como "multa de 5.000 UAH" funcionará instantaneamente. No entanto, nesse fragmento minúsculo não está escrito pelo qual a multa foi aplicada nem a quem deve ser paga!
  • Opção B (Fatiamento amplo de 10 páginas): O contexto é abundante, mas o vetor de um bloco tão gigante torna-se uma massa cinzenta contendo centenas de tópicos distintos, fazendo com que o algoritmo falhe em encontrar a resposta precisa.

A solução reside no Chunking Hierárquico (Hierarchical Chunking ou Parent-Child Retriever).

Do ponto de vista prático, isso funciona como uma lupa e uma fotografia panorâmica: você busca o detalhe através da lente de aumento (chunk filho), mas para entender onde ele se encaixa, dá um passo atrás e observa o cenário completo (chunk pai).

2. Como funciona a relação "Pai — Filho" (Parent-Child)

┌─────────────────────────────────────────────────────────────┐
│                 BLOCO PAI (Parent Chunk, 1000 palavras)      │
│ «Seção 4. Segurança do trabalho e sanções financeiras...»   │
│ ┌─────────────────────────────────────────────────────────┐ │
│ │ BLOCO FILHO #1 (100 palavras):                          │ │
│ │ «Por violação da norma de uso de capacete na obra...»   │ │
│ └─────────────────────────────────────────────────────────┘ │
│ ┌─────────────────────────────────────────────────────────┐ │
│ │ BLOCO FILHO #2 (100 palavras): ➔ CONVERGÊNCIA VETORIAL EXATA! │ │
│ │ «...é aplicada uma multa no valor de 5.000 UAH.»        │ │
│ └─────────────────────────────────────────────────────────┘ │
└──────────────────────────────┬──────────────────────────────┘
                               │
                               ▼
     Mas o contexto enviado ao modelo é TODO O BLOCO PAI #4 inteiro! 
     O modelo vê tanto a multa quanto o contexto completo!

3. Por que este método substitui o fatiamento fixo tradicional

  1. Precisão ideal na recuperação: vetores de frases curtas são extremamente agudos e específicos.
  2. Zero alucinações por falta de fatos: o modelo sempre enxerga os esclarecimentos circundantes, exceções às regras ("exceto em casos de desastre natural") e títulos das seções.
  3. Preservação de tabelas lógicas: as tabelas não são cortadas ao meio no interior das linhas.

4. Conclusão prática

Frameworks modernos (LangChain ParentDocumentRetriever e LlamaIndex) suportam chunking hierárquico nativamente. Gaste meia hora configurando a estrutura Parent-Child — e a precisão das respostas do seu bot corporativo aumentará em pelo menos 30%.

/ Perguntas FrequentesSchema.org FAQPage

FAQ: Chunking Hierárquico (Hierarchical Chunking / Parent-Child)

É um clássico trade-off: se os chunks forem muito pequenos (ex.: 100 palavras), a busca encontra a frase exata perfeitamente, mas falta contexto ao redor para que o modelo compreenda o sentido. Se os chunks forem muito grandes (ex.: 2.000 palavras), há contexto suficiente, mas a busca vetorial torna-se 'diluída' e pode não identificar o fato preciso.
/ Links internos

Termos relacionados

Todos os termos
Prompts & RAG

Chunking de Documentos: Guia para Iniciantes

Técnica de segmentação de documentos extensos (PDFs, livros, artigos longos) em blocos textuais lógicos menores (chunks de 300–500 tokens) com sobreposição (Overlap). Garante alta precisão na busca e evita a perda de contexto nas interfaces entre os fragmentos.

Ler termo
Prompts & RAG

Tamanho da Janela de Contexto (Memória da Conversa Atual)

Volume máximo de texto (em tokens) que um modelo de linguagem consegue manter simultaneamente na memória durante uma conversa atual. Define o comprimento dos documentos que podem ser carregados de uma só vez sem perda de conteúdo.

Ler termo
Prompts & RAG

RAG vs. Fine-Tuning (O dilema eterno na implementação de IA)

Uma escolha arquitetural fundamental para empresas. RAG (busca em documentos no momento da consulta) versus Fine-Tuning (ajuste dos pesos do modelo via treinamento adicional). Critérios de decisão entre a atualização factual e um estilo comportamental específico.

Ler termo