结论先行：父子 Chunk（Small-to-Big）用“子块精准检索、父块完整上下文”解决一个老矛盾——小块召回准但喂模型时缺上下文，大块上下文全但难被精准命中。检索用子块，生成用父块。
一、大小块的矛盾
块切得小，向量更聚焦，检索时更容易命中相关片段；但喂给大模型时，孤立的小块缺少前后文，模型要么答偏，要么只能靠猜补全背景。更麻烦的是，同一个概念如果分散在相邻几段里，任何一块单独拿出来都可能不足以回答问题。线上表现是：检索明明命中了，答案却答非所问，排查半天发现不是检索的错，而是喂给模型的块太瘦。
把块切大，上下文是全了，新的问题又来了：一个块里混进多个主题，向量被“平均化”，对其中任何一个主题都不再尖锐，精准召回反而下降。同时大块占用更多上下文窗口，一次能塞进生成的证据数量也变少。这个取舍难以两全，根源在于检索和生成对块的要求本来就不一样。很多团队在这里来回调 chunk_size，调小了答案变差，调大了召回变差，其实是把两个环节的需求压在了同一个参数上。
二、父子结构怎么工作
父子 Chunk 的解法是把两个需求拆开，同一段内容存成两块：子块是原子化的小片段，负责被检索命中；父块是包含子块的更大段落，负责在命中后整体喂给生成模型。检索阶段用子块算相似度，确定相关后，把对应的父块送去生成。这一步对上层透明：检索服务的调用方式不变，只是送进生成环节的上下文从单块换成了父块。
| 块 | 用途 | 特点 |
|---|---|---|
| 子块 | 检索命中 | 向量聚焦、易命中 |
| 父块 | 喂给生成模型 | 上下文完整 |
两个细节决定这套机制的效果。一是父子映射要稳定，命中子块后能唯一定位父块，不会产生歧义；二是去重要到位，多个相邻子块同时命中时，应归并到同一个父块再送生成，避免同一段内容重复占用上下文窗口。还要看到，父子结构意味着同样的内容存两份向量与元数据，这是用存储换效果的典型交易；对绝大多数知识库来说，这笔账是划算的。
三、和切片流程的关系
父子 Chunk 不是独立步骤，而是“章节树 → 原子化 → 装箱切片”的下游产物，配合切片策略的四档预设（通用 1000/200 等）一起使用。装箱切片先产生子块，再把若干相邻子块归并成父块，归并沿章节边界走，父块才不会横跨两个不相关的小节。
这样既保证了子块的语义聚焦，又保留了父块的连续上下文。父块也不必无限大——覆盖一个完整小节、让模型不用猜就能读懂即可，再大就回到大块的老问题。如果想低成本试点，可以先在问答对、制度文件这类边界清晰的内容上启用父子结构，收益立竿见影。
四、什么时候最有用
当文档里一个概念分散在多段、或一段同时承载多个主题时，父子结构收益最大。前者如制度文件里同一流程拆在好几节，后者如研报正文里一段同时讲业绩与风险：子块各自命中，父块把完整段落交给模型。判断自己是否需要它，最简单的信号是看 badcase：如果命中的块确实是相关内容、但模型答案总是缺半截，父子结构就是对症的药。
它也是后续做 Chunk 四级增强（面包屑、关键词、摘要、HyDE）的载体：子块带关键词与假设问题参与精准检索，父块带面包屑与摘要呈现语境，两级信号互相配合。
父子块承接在切片之后。切法本身见 RAG 切片策略；增强方法见 Chunk 四级增强；切完要打权限见 权限打标。
真实场景：36,395 个 chunk 的父子实践
父子 Chunk 不是论文概念，而是大规模语料上的刚需。两家上市发行人（含一家全国性商业银行）的 859 份文档切出 36,395 个 chunk、约 3519 万字符：如果只有子块，模型回答「某年度营收同比变化」时只能看到孤立的一段指标文字，缺前因后果；如果只有父块，检索粒度太粗，命中一批不相关章节。父子结构让检索用聚焦的子块命中、生成用完整的父块回答，两层各司其职。
还有一个常被忽略的细节：研究显示长上下文中间部分的信息利用率会下降（Lost in the Middle，Liu et al., 2023，arXiv:2307.03172），所以父块也不宜无限大——按章节树归并出的父块天然有边界，比拍一个固定大数字更可靠。子块上再做语义增强的手段，见Chunk 四级增强：面包屑与 HyDE；切片参数的档位选择，见RAG 切片策略：固定长度与语义切分。
常见问题 FAQ
Q1：父子 Chunk 解决什么问题？
解决小块召回准但缺上下文、大块有上下文却难命中的矛盾：检索阶段用聚焦的子块算相似度，命中后把完整父块送给生成模型，两个需求各用各的块，互不迁就。
Q2：子块和父块分别干什么？
子块是原子化小片段，负责被检索命中，向量聚焦；父块是包含子块的更大段落，命中后整体喂给生成模型，保证上下文完整。多个相邻子块同时命中时会归并到同一父块去重。
Q3：父子块是怎么生成的？
来源于章节树 → 原子化 → 装箱切片：装箱先产生子块，再沿章节边界把相邻子块归并成父块，兼顾聚焦与连续上下文，父块不会横跨两个不相关的小节。
Q4：什么场景最适合父子结构？
当一个概念分散在多段、或一段承载多个主题时收益最大。它也是 Chunk 四级增强的载体：子块带关键词与假设问题，父块带面包屑与摘要，两级信号互相配合。
需要搭建企业级 RAG 知识库？了解丑梨AI
私有化部署的 RAG 数据工程基座：解析、清洗、脱敏、压缩、切片、治理、评测一站式流水线，全本地推理，数据不出域，单机可部署。