Chunk四级增强：面包屑、关键词、摘要与HyDE

结论先行：切片只是把文档切碎，四级增强才让每块“可被检索理解”。增强项是面包屑（章节路径）、关键词、摘要、HyDE 假设问题，它们从不同角度补足块的语义信号。

一、为什么切完还要增强

裸块只有一段原文，检索时能依赖的只有原文和 query 的相似度。但原文常常不写“自己属于哪一章、讲什么、能回答什么问题”：一块讲参数配置的正文，本身未必出现“配置”两个字；一块埋在附录里的罚则条款，不读上下文很难判断它适用于谁。这些信息其实都存在——章节树里有、标题里有、前后文里有——只是没有被写进块本身。

结果就是相关块排不到前面。用户的问题和块的原文像两种语言，向量空间里距离被拉远，Top-K 名额被那些“长得像问题”却更不相关的块占据。增强就是给每块补上这些缺失的语义信号，把原文之外的信息显式写进块里。一个直观的检验办法：拿 query 和最相关的块去算相似度，分数却低于一些只是用词相近的块，就说明信号缺失已经伤到排序了。

二、四级增强分别补什么

四级增强各有分工，分别从定位、术语、概括、提问四个角度补信号：

面包屑来自章节树，回答“这块在哪”；关键词负责强化术语召回，型号、编号、指标词这类精确匹配主要靠它；摘要把块的内容压成一句话，粗排阶段先看摘要再决定要不要细看；HyDE 假设问题则预先站到用户一边，替块回答“可能被怎么问”。四项里前三项是确定性的，规则加模板就能算；只有 HyDE 需要模型生成，成本和收益要单独核算。

三、HyDE 怎么工作

HyDE（Hypothetical Document Embeddings，Gao et al., 2022）的做法是：先用模型为这块内容生成“如果用户来问，可能会怎么问”的假设问题，再把假设问题做 embedding 参与检索。因为 query 和问题形态更接近，相似度计算更准。原始论文见 arXiv:2212.10496。

它对两类场景帮助最大。一是长文档：块里信息密度高、可提问的角度多，假设问题相当于提前铺好了几条通往这块的路。二是口语化提问：用户问“这机器最多扛多少压力”，原文写“额定载荷上限”，假设问题把口语翻译成术语，距离一下就拉近了。假设问题不必贪多，每块两三条、覆盖主要提问角度即可。代价是入库时每块多一次生成开销，通常只对关键块做，或与缓存配合控制成本。

四、增强和父子块的关系

增强挂在父子 Chunk 上，两级各取所需：子块带关键词与假设问题用于精准检索，父块带面包屑与摘要用于上下文呈现。两者配合，检索既准又懂语境。换句话说，增强不是给块贴金，而是把检索时本来就要用的信息提前算好——入库时多花一分功夫，检索时少排一次错。

增强也不是一次性投入，规则改了就要重跑。改完之后效果有没有变好，不能靠肉眼感觉，要用评测说话：对比 HitRate@K、MRR 这类检索指标的前后变化，才是增强值不值得的判据。如果指标没动甚至变差，优先检查假设问题的生成质量，而不是急着回滚。

增强在切片之后、入库之前。切法见 切片策略，父子结构见 父子 Chunk；增强效果的度量见 RAG 评测三层指标。

落地要点：四级增强的适用边界

• 面包屑（章节路径）：几乎无条件启用——成本极低，却让「第三章第二节」这类路径信息参与匹配，结构化文档收益最大。
• 关键词：对术语密集的文档（技术手册、合同）启用，弥补向量对型号、编号的低敏感。
• 摘要：长块（法律 1500 档）优先，短块自带摘要价值不大。
• HyDE 假设问题：为每个 chunk 预生成「用户可能会怎么问」，对口语化提问场景（问答机器人）收益最大；原理见 HyDE 论文（Gao et al., 2022，arXiv:2212.10496）。

四级增强的代价是入库成本与维护成本上升：假设问题要随 chunk 更新而重建，所以增强层级要与知识生命周期治理（SHA-256 幂等、增量 diff）配合，只对变更块重建，见知识库生命周期治理。 HyDE 生效的前提是检索排序能识别改写信号，混合检索的融合机制见混合检索：BM25 与 Dense 的融合权重。

常见问题 FAQ

Q1：Chunk 四级增强是哪四级？

面包屑（章节路径）、关键词、摘要、HyDE 假设问题，分别从定位、术语、概括、提问四个角度补足块的语义信号，让裸块从只能靠原文相似度变成可被检索理解。

Q2：HyDE 是什么，为什么有效？

HyDE 先为块生成“用户可能怎么问”的假设问题再做 embedding。因为 query 和问题形态更接近，相似度计算更准，对长文档和口语化提问尤其有帮助，相当于提前铺好通往这块的路。

Q3：增强挂在哪一级块上？

挂在父子 Chunk 上：子块带关键词与假设问题用于精准检索，父块带面包屑与摘要用于上下文呈现。两级信号互相配合，检索既准又懂语境。

Q4：不增强直接入库会怎样？

裸块只能靠原文与 query 相似度，常因缺章节路径和术语信号排不到前面，相关块被淹没在 Top-K 之外。型号、编号、指标词这类精确匹配受影响最明显。