EdTech企業が技術ドキュメント（製品マニュアル・APIリファレンス）を対象としたRAGシステムをAmazon Bedrock Knowledge Basesで構築しています。ドキュメントは章・節・小節の明確な階層構造を持ち、ユーザーは「このSDKの概要を教えて」（高レベル質問）と「OAuth 2.0のトークンリフレッシュの具体的なパラメータは？」（詳細質問）の両方を行います。現在の固定サイズチャンキング（512トークン）では、高レベル質問に対して断片的な情報しか返せません。最適なチャンキング戦略はどれですか？
正解： 階層チャンキング（Hierarchical Chunking）を採用し、小節レベルの小チャンク（約256トークン）と節・章レベルの親チャンク（約2048トークン）を作成し、検索は小チャンクで精度を確保しながらLLMへのコンテキストには親チャンクを渡す。 階層チャンキングは「検索精度」と「コンテキスト充実度」を両立します。詳細質問では小チャンクで正確な箇所を特定でき、高レベル質問では同じ小チャンクで検索しながらも親チャンクの豊富なコンテキストをLLMに提供できます。Amazon Bedrock Knowledge Basesがネイティブにサポートするチャンキング戦略です。 選択肢Aは、チャンク拡大により詳細質問の検索精度が低下します。 選択肢Bは、セマンティックチャンキングは境界最適化に優れますが階層構造の活用ができません。 選択肢Dは、ページ単位は文書の論理構造を無視した機械的分割で両質問タイプへの適応が困難です。