詳細解釋
RAG 中的分層檢索策略：先檢索父文檔（粗粒度，如整章），再在其內部檢索子文檔（細粒度，如段落），平衡召回率與精度。
問題背景：
- 粒度困境：大塊（易丟失細節）vs 小塊（語境不全）
- 傳統 RAG：固定大小塊，難以兼顧
- 父子結構：利用文檔自然層級（書→章→節→段）
運作方式：
- 父級索引：粗粒度單位（章、節）建立向量索引
- 子級存儲：細粒度單位（段、句）存儲在父級內
- 兩階段檢索：
- 向量搜索找到相關父級
- 在這些父級內 BM25 搜索具體子級
優勢：
- 語境保留：子級有完整父級作為背景
- 精度提升：小單位匹配具體查詢
- 效率：減少需要精細搜索的範圍
- 結構感：利用文檔原有組織結構
實現方式：
- LlamaIndex：原生支持父文檔檢索器
- 自定義：建立雙索引，父索引存子塊引用
- 數據庫：PostgreSQL 層級查詢 + 向量搜索
適用場景：
- 技術文檔：API 文檔、用戶手冊
- 法律文書：法典、合同（條款層級）
- 研究論文：章節結構的學術文獻
- 產品手冊：分層組織的產品信息
與普通 RAG 的對比：
- 普通：固定 500 字塊，可能切斷語境
- 父子：利用自然邊界，語境完整
這是「語境感知的 RAG」—— 讓檢索尊重文檔的邏輯結構。