Ir para o conteúdo principal
kitlocal.dev

RAG Chunk Visualizer

Roda localmente

100% processado no seu navegador. Entradas e saídas nunca saem do seu dispositivo.

Veja como um documento é dividido em chunks para RAG: tamanho do chunk, sobreposição, contagem de tokens, custo de embedding e contexto recuperado

Documento

Semelhante ao RecursiveCharacterTextSplitter do LangChain: tenta dividir primeiro em linhas em branco, depois quebras de linha, frases e palavras, mantendo os chunks o mais semânticos possível.

Predefinições (tamanho / sobreposição):
Chunks
3
Tokens do documento
232
Média de tokens / chunk
81
Mín. / máx. de tokens
46 / 126
Tokens para embedding
242
Fator de sobreposição
1.04×

Custo estimado de embedding: $0.000005

Contexto adicionado a cada prompt: 323 tokens

Mapa do documento (amarelo = sobreposição com o chunk anterior)

Linhas alternadas facilitam a diferenciação de chunks vizinhos.

  1. #170 tokens280 caracteres0–280
    # Retrieval-Augmented Generation
    
    Retrieval-Augmented Generation (RAG) gives a language model access to knowledge it was not trained on. Instead of fine-tuning, you split your documents into chunks, embed each chunk, and store the vectors in a database.
    
    ## Why chunking matters
    
    
  2. #2126 tokens503 caracteres255–75825 caracteres de sobreposição
    ## Why chunking matters
    
    At query time the question is embedded and the closest chunks are retrieved. If a chunk is too large, it dilutes the meaning and wastes context window. If it is too small, it loses the surrounding context and the answer gets cut in half.
    
    A common starting point is 256 to 512 tokens with 10 to 20 percent overlap. Overlap repeats the end of one chunk at the start of the next, so a sentence that straddles a boundary is still found whole in at least one chunk.
    
    ## Trade-offs
    
    
  3. #346 tokens184 caracteres743–92715 caracteres de sobreposição
    ## Trade-offs
    
    Larger overlap improves recall but increases the number of tokens you embed and store. Always measure retrieval quality on your own questions before settling on a size.
    

A contagem de tokens é uma estimativa (~4 caracteres por token para inglês, ~1 por caractere não latino), e não a saída exata do tokenizer de um modelo. Os custos dependem do preço atual do seu provedor.