chunk_size = 1024
chunk_overlap = 200
默认1024长度 重叠200

文档类型	推荐 chunk_size	overlap	额外技巧
制度/规章（段落长、条款多）	1 024–2 048	200–400	以“## 标题”为分隔符，保证条款完整
接口文档（URL/错误码表格）	512–1 024	100–200	一级标题 + 二级标题拼一起，别把表格拦腰砍断
会议记录/周报（短片段）	256–512	50–100	按“—-”或“## 周次”切，避免把多周拼一起
超长 RFC/设计文档	2 048–4 096	400	先按“##”切，再对子章节二次切，做双层摘要索引

关键词

A whoosh+jieba 10万段 chunck 约2000篇

# pip install whoosh jieba llama-index-core llama-index-retrievers-whoosh

from llama_index.core import SimpleDirectoryReader
from llama_index.retrievers.whoosh import WhooshRetriever
from llama_index.core.query_engine import RetrieverQueryEngine

# 1. 读取文档
documents = SimpleDirectoryReader("data").load_data()

# 2. 建/载 whoosh 倒排
whoosh_retriever = WhooshRetriever(
    index_dir="./whoosh_idx",
    docs=documents,
    top_k=5
)

# 3. 纯关键词查询引擎
query_engine = RetrieverQueryEngine(whoosh_retriever)

# 4. 交互
if __name__ == "__main__":
    print("=== Whoosh 纯关键词查询 ===")
    while True:
        q = input("\n问题 (q退出): ").strip()
        if q.lower() == "q":
            break
        resp = query_engine.query(q)
        print("答:", resp)

B aiosqlite+fts5 100万端 约 2万篇（10万篇以内）

# pip install aiosqlite llama-index-core llama-index-retrievers-sqlite-ft

from llama_index.core import SimpleDirectoryReader
from llama_index.retrievers.sqlite_ft import SQLiteFTSRetriever
from llama_index.core.query_engine import RetrieverQueryEngine

# 1. 读取文档
documents = SimpleDirectoryReader("data").load_data()

# 2. 建/载 FTS5 倒排（单文件 gov_docs.db）
sqlite_retriever = SQLiteFTSRetriever(
    db_path="gov_docs.db",
    docs=documents,      # 第一次会自动建表；第二次直接复用
    top_k=5
)

# 3. 纯关键词查询引擎
query_engine = RetrieverQueryEngine(sqlite_retriever)

# 4. 交互
if __name__ == "__main__":
    print("=== SQLite-FTS5 纯关键词查询 ===")
    while True:
        q = input("\n问题 (q退出): ").strip()
        if q.lower() == "q":
            break
        resp = query_engine.query(q)
        print("答:", resp)

混合查询 关键词 +向量

pip install llama-index-core llama-index-llms-ollama llama-index-embeddings-ollama

# 关键词方案二选一
pip install llama-index-retrievers-whoosh     # 路线① Whoosh
# 或
pip install llama-index-retrievers-sqlite-ft  # 路线② SQLite-FTS5

代码

vector_index = VectorStoreIndex.from_documents(documents)
//向量
//PLAN A
from llama_index.retrievers.whoosh import WhooshRetriever

keyword_retriever = WhooshRetriever(
    index_dir="./whoosh_idx",
    docs=documents,
    top_k=5
)
//PLAN B
from llama_index.retrievers.sqlite_ft import SQLiteFTSRetriever

keyword_retriever = SQLiteFTSRetriever(
    db_path="gov_docs.db",
    docs=documents,
    top_k=5
)

//混合关键词 +向量
from llama_index.core.retrievers import QueryFusionRetriever

hybrid_retriever = QueryFusionRetriever(
    retrievers=[
        vector_index.as_retriever(similarity_top_k=5),
        keyword_retriever,
    ],
    retriever_weights=[0.7, 0.3],   # 向量权重高一点，可按场景调
    similarity_top_k=5,             # 最终只给 LLM 前 5 段
    num_queries=1,                  # 不对用户问题做改写
)

//查询
from llama_index.core.query_engine import RetrieverQueryEngine
//导入混合
query_engine = RetrieverQueryEngine(hybrid_retriever)

if __name__ == "__main__":
    print("=== 向量 + 关键词 联合召回 ===")
    while True:
        q = input("\n问题 (q退出): ").strip()
        if q.lower() == "q":
            break
        resp = query_engine.query(q)
        print("答:", resp)

SQLITE 补充 多次document插入

documents = []                       # 1. 先弄空列表
for _, afile, _ in bk:               # 2. 循环取路径
    if not os.path.isfile(afile):
        print(f'跳过不存在文件：{afile}')
        continue
    documents.extend(                # 3. 把每个文件拆出的文档追加进来
        SimpleDirectoryReader(afile).load_data()
    )

if not documents:                    # 4. 保险：确实读到东西了
    raise SystemExit('没有有效文档，无法构建索引！')

index = VectorStoreIndex.from_documents(documents)   # 5. 一次向量化