🧑💻 面试官：做 RAG 时，为什么有人把文档切成小片段去搜索，找到以后，却把更大的段落交给模型？
🙋♂️ 我：小片段的主题比较集中，方便匹配问题；大段落能提供更完整的上下文。
🧑💻 面试官：那直接把切块长度调大，不就省了一次回查？
🙋♂️ 我：块变大以后，可能包含很多不同内容，反而不容易找到问题对应的那一处。
🧑💻 面试官：如果搜到三个片段，都属于同一段规定，要发三遍吗？规定更新了，子片段还是旧的，又怎么办？
父子检索要解决的，是“方便找到”和“足够回答”不一定需要同样大小的文本。真正落地时，还得把两者正确地连起来。
面试速答（60 秒版）
父子检索 会把检索和回答使用的文本，分成两种粒度。
入库时，先保留较完整的父段落，再从里面切出较小的子片段。子片段用来建立检索索引，同时记录自己属于哪个父段落。
用户提问以后，系统先搜索子片段，再根据父段落 ID 取回对应内容，交给模型回答。例如，子片段找到了“可以取消预订”，父段落还能补上“必须提前多久取消”。
这样既能利用小片段定位问题，也能减少条件被切开的情况。不过，父段落不是越大越好，回查时还需要去重、检查版本和权限，并控制输入长度。
判断效果时，不能只看有没有搜到关键词，还要看模型是否拿到了完整依据，最终回答有没有漏掉限制条件。
知识点详解：搜到一句“可以”，为什么仍然不够回答？
先把漏掉的那半句话找出来
假设咱们在做公司的会议室问答助手，制度里有这样一段话：
员工可以在预订页面取消会议室。普通会议室须提前 30 分钟取消；大型培训室须提前 1 天取消。超过规定时间，请联系行政处理。
用户问：“培训室预订还能自己取消吗？”
如果系统只检索出第一句，模型就可能回答：“可以，去预订页面取消就行。”
它看到了制度原文，却没拿到决定答案的时间限制。这里不是模型凭空编了一个入口，而是输入缺少了后面的条件。
当然，可以把每个片段都切得很长。但如果一块里同时放了预订、设备借用、访客登记等内容，检索时又会遇到另一个问题：用户只问取消，块里却混了很多别的话题。
父子检索就是在这里做拆分：用于搜索的内容可以小一些，用于理解规则的内容保留完整一些。
父段落和子片段，是怎么存起来的？
先把前面那整段取消规定保存为父段落，比如 ID 是 P-12。再从里面切出若干子片段：
| 子片段 | 文本示意 | 所属父段落 |
|---|---|---|
| C-1 | 员工可以在预订页面取消会议室 | P-12 |
| C-2 | 普通会议室须提前 30 分钟取消 | P-12 |
| C-3 | 大型培训室须提前 1 天取消 | P-12 |
这里是为了讲清关系，按句子举例，不是规定项目中必须一句一块。
子片段进入搜索索引，可以做向量检索，也可以结合关键词。父段落的完整文字则保存在能按 ID 读取的位置。它们不一定是两台数据库，重点是保存了两种内容，以及两者之间的对应关系。
LangChain 的 ParentDocumentRetriever就使用了这种方式：检索小块，再按照父 ID 取回较大的文档。这里的“父文档”也可以只是原文中的一个较大段落，不要求是整份文件。
如果文档有版本，还应把版本一起关联。例如本次索引中的 C-3，对应的是 P-12 的第 2 版，不能只记一个永远不变的名字，回查时却随意拿另一版正文。
搜索命中以后，还要走哪些步骤？
用户发来问题，检索返回了 C-2 和 C-3。系统发现它们都指向 P-12，就只取回一次父段落，而不是把同一段话发给模型两遍。MultiVectorRetriever 的实现里，可以看到按父 ID 去重、再读取文档的过程。
拿到内容以后，还要确认它仍然有效，并且当前用户有权查看。父子检索只是找资料的方法，不会自动解决权限问题。
最后，模型看到的是用户问题、完整取消规则和对应出处。此时它才有依据回答：培训室需要提前 1 天；如果已经超过期限，就不能只让用户去页面操作，而应说明联系行政。
如果用户没有说距离使用还有多久，模型也可以把条件讲出来，或者继续询问。拿到了完整规则，不代表系统自动知道用户尚未提供的信息。
在这个例子里，真正的改进不是“发给模型的字更多了”，而是发过去的文字补齐了决定答案的条件。
父段落多大才合适？
先按内容边界判断，再看长度。
一段完整的取消规则，通常比“取消规则加后面三页食堂说明”更有用。父段落应尽量保留同一个问题需要的对象、条件、例外和出处，而不是固定把子片段前后各拼几千字。
检索命中很多父段落时，还要控制最终输入。可以先去重，再按相关性选取必要内容，或者在保留关键条件的前提下进一步整理。不要因为叫“父子检索”，就把所有命中父块都塞进去。
验证时，可以专门准备一组答案依赖相邻条件的问题，比较两种方案：只用子片段，和命中以后回查父段落。
除了最终答案是否正确，还要检查限制条件有没有覆盖、父段落是否重复、输入 Token 增加多少。有些问题用短片段就能答清楚，回查并不一定有收益，这也是需要评测的部分。
面试官继续追问
父段落更新了，只替换父段落可以吗？
不能一概而论。如果正文修改影响了子片段，就要同步重建对应索引和映射。
可以按版本准备新父段落与新子索引，确认齐全后切换有效版本，再清理旧版本。否则可能用旧句子命中，却拿到已经改了规则的新正文，检索记录和回答依据对不上。
给每个子片段补上标题，也能解决问题吗？
能解决一部分。例如补上“培训室取消规定”，能让子片段更容易被理解和找到。
但标题不能代替具体期限和例外。可以把标题增强与父子检索结合，也可以先用较简单的标题增强做对照，看主要问题是否已经解决。
父段落里既有公开内容，又有内部内容怎么办？
应重新划分内容边界，或在服务端组装经过授权的证据。不能因为用户有权看到一个子片段，就默认可以看到整个父段落。
检索过滤和回查检查要配合。权限不同的内容如果长期混在一个父块里，后续维护也会越来越难。
面试速记卡
- 子片段：负责把问题定位到相关位置。
- 父段落：补齐回答需要的条件、例外和上下文。
- 连接方式：子片段记录父 ID，命中后去重并回查。
- 工程边界：版本要对应，权限要检查，父块不能无限变大。
- 验证重点：完整证据是否进入输入，答案是否少漏了限制条件。
