RAGのチャンク分割戦略 完全ガイド【2026年版】主要7手法を独自比較

RAGの回答精度は、チャンク分割戦略の選び方だけで再現率が最大9%変わる(出典: Chroma Research「Evaluating Chunking Strategies for Retrieval」・参照2026-07-18)。2026年の実務的な出発点は「再帰分割・512トークン・オーバーラップなし」を基準に置き、クエリ型と文書型に応じて発展手法を重ねることだ。切り方を最初に誤ると、後段で検索やモデルを磨いても回答は改善しにくい。

7手法のうち精度改善が数値で最も明確なのは、各チャンクに文脈を前置するAnthropic Contextual Retrieval(top-20検索失敗率を5.7%から最大1.9%へ削減)と、全文を先に埋め込むJina Late Chunkingだ(出典: Anthropic・参照2026-07-18)。ただしいずれも追加コスト・実装難度・前提条件とのトレードオフがあり、万能の正解はない。

本記事は公開一次ソースを横断し、主要7手法を推奨サイズ・適文書型・実装難度・追加コスト・精度効果の5軸で独自比較する。RAGの仕組みそのもの(検索拡張生成の基礎)はRAGとは何かに譲り、ここでは「どう切ると検索が当たるか」に絞る。

本記事は特定の手法や製品を勝たせるためのものではない。7手法を同じ粒度で扱い、長所と同じ分量で追加コスト・実装難度・前提条件を併記し、数値には測定条件を明記する。当社(YDAIコンサルティング AI編集部)は特定ツールや当社サービスへの送客を一切せず、Anthropic・Jina・Chromaなどは手法の出典として中立に引用する。

RAGのチャンク分割は長文書を検索・埋め込みの単位に区切る前処理で、切り方が検索の当たり外れを最初に決める。2026年の実務標準は再帰分割512トークンを基準に置き、オーバーラップは必須でなくチューニング対象とすることだ。文脈保持型のContextual Retrievalはtop-20検索失敗率を5.7%→1.9%(最大67%削減)まで下げられる(出典: Anthropic・参照2026-07-18)一方、追加コストがかかる。どの発展手法も評価で改善を確認してから本採用するのが安全だ。

RAGのチャンク分割とは何か、なぜ精度を左右するのか

チャンク分割(チャンキング)の定義と役割

チャンク分割(チャンキング)とは、長い文書を検索・埋め込みの単位となる断片(チャンク)に区切る前処理を指す。RAG(検索拡張生成)はこのチャンクをベクトル化してベクトルデータベースに保存し、質問に意味が近い断片を取り出して大規模言語モデルに渡す。

断片が小さすぎると前後の文脈が欠落し、大きすぎると無関係な情報(ノイズ)が混じる。つまり「どこで切るか」が検索の当たり外れを最初の段階で決める。断片単体で読んでも意味が通る自己完結性を保てるかが、良い切り方の基準になる。

チャンク戦略が精度に効く理由と2026年の潮流

Chroma Researchの技術レポート「Evaluating Chunking Strategies for Retrieval」(Smith & Troynikov 2024)は、戦略の違いだけで再現率が最大9%変わると報告した(出典: Chroma Research・参照2026-07-18)。チャンク戦略はembeddingモデルの選択と同等以上に効く要素だという認識が、実務者の間で定着している。

2026年は固定長中心の旧ガイドが陳腐化した。文脈を補うContextual Retrieval、全文を先に埋め込むLate Chunking、階層要約を作るRAPTORなど文脈保持型が加わり、切り方は固定の正解ではなく文書型とクエリ型に合わせて選ぶ設計対象へと変わっている。

チャンクサイズ・オーバーラップの基本【早見表】

チャンクサイズはクエリ型に合わせるのが基本だ。細かい事実を引くなら小さく、俯瞰的な推論や要約なら大きく取る。下表を出発点に、自分の文書で調整する。

クエリ型	推奨チャンクサイズ	補足
ファクト検索(語句・数値)	64〜256トークン	ピンポイントの一致を狙う
分析・推論	512〜1024トークン	前後の文脈を残す
要約・俯瞰	1024トークン以上	全体像を1断片に収める
コード	関数・クラス単位	論理境界で切る

LlamaIndexのチャンクサイズ検証(2023)では1024トークン付近が忠実性のピークになったという結果もある。オーバーラップ(隣接チャンクの重複)は従来10〜20%が定番だったが、近年の系統的な分析では計測可能な便益は乏しくインデックスコストだけ増えるとの報告も出ており、必須ではなくチューニング対象だ。なお多くのライブラリは既定で文字数を数えるため、指定値がトークン数と一致しない点にも注意したい。

主要7手法の独自比較【早見表】

7手法比較早見表(推奨サイズ・適文書型・実装難度・追加コスト・精度効果)

本記事の独自比較として、主要7手法を5軸で一覧化した。数値は測定条件(文書ドメイン・クエリ型)に依存するため、順位そのものより「どの軸でトレードオフが生じるか」を読む表として使ってほしい。

手法	推奨サイズ	適した文書型	実装難度	追加コスト	精度効果(測定条件付き)
固定長＋オーバーラップ	256〜512トークン	構造の乏しい文書	易	1x	基準。最速だが意味の切れ目を無視
再帰分割	512〜1024トークン	汎用	易	1x	あるベンチで7手法中1位=69%(Digital Applied)
文書構造認識	可変(構造境界)	コード・法務・Markdown	中	1x	論理単位が壊れず安定(定性)
セマンティック分割	可変(平均約43トークン)	話題転換の多い文書	中	高(約14倍遅い)	同ベンチで54%と再帰69%を下回る例(Digital Applied)
RAPTOR	階層[2048/512/128]	長文・俯瞰質問	難	高(LLM要約多発)	俯瞰・要約質問に強い(条件依存)
Late Chunking	全文埋込後に分割	長文・文脈横断	中	中(長文脈embedder必須)	BEIRでnDCG@10改善(SciFact 64.20→66.10, Jina)
Contextual Retrieval	+50〜100トークン文脈	高価値コーパス	中	約$1.02/100万トークン	top-20失敗率5.7%→1.9%(最大67%減, Anthropic)

追加コストが1xの左3手法(固定長・再帰・構造認識)はまず試すべき基本で、右4手法は追加コストと引き換えに特定条件で効く。各行は後続の節で定義・長所・短所とともに掘り下げる。

基本4手法の特徴と使いどころ

固定長分割＋オーバーラップ(最も単純な基準)

固定長分割は、一定トークン数(256〜512目安)で機械的に区切り、必要なら数十トークンを隣と重ねる最も基本的な手法だ。長所は最速・実装容易・追加コスト1xで、まず動かす初期実装に向く。

短所は文や表・見出しを途中で切り、意味の切れ目を無視する点だ。オーバーラップは境界の情報欠落を緩和するが常に有効とは限らずコストを増やす。まずこの手法で基準の検索精度を測り、その改善幅で発展手法の要否を判断するとよい。

再帰分割(RecursiveCharacterTextSplitter)＝2026年の実務標準

再帰分割は、段落→文→単語の順に区切り記号を再帰的に試し、意味のまとまりを保ちながら目標サイズに寄せる手法だ。あるベンダーの2026年ベンチマークでは7手法中1位(69%)で、512〜1024トークンが実務的な既定値になっている(出典: Digital Applied・参照2026-07-18)。

落とし穴は、多くのライブラリで既定が文字数カウントになっている点で、トークン基準に合わせる設定が要る。汎用の第一候補だが万能ではなく、俯瞰質問や跨ぎ参照が課題なら発展手法を重ねる。

文書構造認識チャンク(Markdown・コード・条項単位)

文書構造認識チャンクは、見出し・段落・コードブロック・表・契約条項など文書固有の構造境界で区切る手法だ。コードは構文木(AST)単位、法務は条項単位、Markdownは見出し階層で分割する。

長所は論理単位が壊れず検索精度が安定すること、短所は文書型ごとにパーサを実装・維持するコストがかかることだ。構造が明確な社内規程・技術文書・コードベースで効きやすく、社内向けRAGチャットボットの作り方のように扱う文書型が定まった用途と相性がよい。

セマンティック分割(意味の切れ目で区切る)

セマンティック分割は、隣り合う文の埋め込み類似度が下がる点=話題の切れ目で区切る手法だ。意味的にまとまった断片を作れるのが長所だが、処理はトークン基準より大きく遅く(約14倍という計測報告もある)、断片が過度に細切れ(平均43トークン程度)になることもある。

前掲のベンチマークではセマンティック分割が54%、再帰512トークンが69%と、再帰が上回った例もあった(出典: Digital Applied・参照2026-07-18)。「意味で切れば必ず精度が上がる」わけではなく、評価で改善を確認してから採用するのが安全だ。

発展3手法(RAPTOR・Late Chunking・Contextual Retrieval)

RAPTOR＝階層要約ツリーで俯瞰質問に強い

RAPTORは、チャンクをクラスタリングして要約し、その要約をさらに要約する階層ツリーを事前に構築する手法だ(Sarthi et al. 2024, arXiv:2401.18059)。検索時は末端チャンクと上位要約の両方を参照でき、複数箇所を横断する俯瞰質問・要約質問に強い。

短所は前処理でLLM要約が多発し、インデックス構築のコストと時間が大きくなることだ。効果は文書ドメインに強く依存するため、長い構造化文書と横断的な問いが中心のときに、自分のデータで改善を確かめる前提で選ぶ。

Late Chunking(Jina)＝文脈横断参照を保持する

Late Chunkingは、先に切ってから埋め込むのではなく、長文脈embedderで全文を一度に埋め込み、そのトークン埋め込みを後から平均プーリングでチャンクベクトルへ分割する手法だ(Jina AI 2024)。各チャンクが全文の文脈を保つため、「それ」「同市」などの指示語や段落を跨ぐ参照が壊れにくい。

効果はBEIRで示され、naive分割に対しSciFactでnDCG@10が64.20→66.10、NFCorpusで23.46→29.98へ改善し、文書が長いほど利得が伸びると報告されている(出典: Jina AI「Late Chunking」・参照2026-07-18)。前提として8192トークン以上を扱える長文脈embeddingモデル(jina-embeddings-v3など)が必要になる。

Contextual Retrieval(Anthropic)＝検索失敗率を最大67%削減

Contextual Retrievalは、各チャンクに「文書全体のどこに位置するか」を説明する50〜100トークンの文脈をLLM(Anthropicの例ではClaude 3 Haiku)で生成し、前置してから埋め込む手法だ(Anthropic 2024年9月)。効果は段階的で、埋め込み単独でtop-20検索失敗率が5.7%→3.7%(約35%削減)、Contextual BM25併用で2.9%(約49%)、さらにリランキングで1.9%(約67%削減)になったと報告されている(出典: Anthropic「Contextual Retrieval」・参照2026-07-18)。

コストはプロンプトキャッシュ利用で約$1.02/100万ドキュメントトークンの一度きりの前処理だ。短所は前処理のLLM呼び出しが増えること、コーパスが約20万トークン未満と小さければ全文投入で足りることもある点だ。

手法の選び方と2026年の実務推奨

文書型・クエリ型別のチャンク戦略選定フロー

手法は特定製品ではなく、目的とコスト制約で選ぶ。Step1で再帰分割512トークン(トークン基準)を基準に置く。Step2でクエリ型に合わせサイズを調整する(ファクト検索64〜256、分析・要約1024前後)。

Step3では文書に明確な構造があれば構造認識、話題転換が多ければセマンティックの採否を評価で判断する。Step4で高価値コーパスや段落を跨ぐ参照が課題なら、Late Chunking・Contextual Retrieval・RAPTORを重ねる。エージェントが検索を繰り返す構成ではエージェント型RAG(Agentic RAG)側の設計と併せて考えるとよい。

精度改善は評価(RAGAS等)で検証してから採用する

どの発展手法もコストと実装が増えるため、採用前に改善を数値で確かめることが欠かせない。context precision・context recall・faithfulnessなどの指標で自分の文書に対する改善を測ってから本採用する。ベンチマークの順位は文書ドメインやクエリ型で変わるため、他所の数値は鵜呑みにしない。

具体的な指標の意味と測り方はRAGの精度評価とRAGASの使い方に譲るが、要点は「切り方を変えたら必ず評価データで前後を比較する」ことだ。切る前に、まず評価の土台を用意することがチャンク戦略選定の前提になる。

まとめ

RAGのチャンク分割は、切り方だけで再現率が最大9%変わる精度の要点だ(出典: Chroma Research・参照2026-07-18)。実務標準は再帰分割512トークンを基準にクエリ型でサイズを調整すること。オーバーラップは必須でなく、文書構造やセマンティックは評価で確かめてから使う。跨ぎ参照や俯瞰質問が課題なら、Late Chunking・Contextual Retrieval・RAPTORを追加コストと引き換えに重ねる。Contextual Retrievalはtop-20検索失敗率を最大67%削減できる一方で前処理コストがかかる(出典: Anthropic・参照2026-07-18)。唯一の正解はなく、自分の文書で評価してから採用する——これが育つRAGと陳腐化するRAGの分かれ目になる(本記事は2026年7月18日時点の公開情報にもとづく)。

---

RAGの仕組みそのものはRAGとは何か、実際に社内文書で組む手順は社内向けRAGチャットボットの作り方、切り方を変えた効果の測り方はRAGの精度評価とRAGASの使い方、断片をどこに保存するかはベクトルデータベースの比較もあわせてどうぞ。