Zrozumienie strategii dzielenia tekstu
Dowiedz się, dlaczego i jak dzielić duże dokumenty na mniejsze, znaczące fragmenty, aby zoptymalizować wyszukiwanie i wykorzystanie okna kontekstowego.
Zrozumienie strategii dzielenia tekstu to bezpłatna lekcja LangChain / RAG / Vector DBs na CoddyKit. To lekcja 2 z 4. Możesz przeczytać całą lekcję poniżej za darmo — a potem ćwiczyć ją interaktywnie w przeglądarce z wbudowanym edytorem kodu i tutorem AI dostępnym 24/7. To część ścieżki edukacyjnej LangChain / RAG / Vector DBs, a Twój postęp synchronizuje się między webem a aplikacją CoddyKit. Kurs LangChain / RAG / Vector DBs zawiera 4 lekcji w sumie.
Części tej lekcji nie zostały jeszcze przetłumaczone i są wyświetlane po angielsku.
Why Split Documents?
Large Language Models (LLMs) have a 'context window' – a limit on how much text they can process at once. If you feed them a document that's too long, they simply can't handle it all.
Text splitting is the process of breaking down large documents into smaller, manageable chunks. This makes them suitable for LLMs and helps retrieval systems find more precise information.
The Context Window Limit
Imagine an LLM as a very smart person with a short-term memory limit. The context window is like that limit. If you give it too much information, it might forget the beginning or get confused.
- LLMs can only process a certain number of tokens (words or sub-words).
- Going over this limit means information is truncated or ignored.
- Smaller chunks ensure all relevant information fits and is processed effectively.
Basic Splitting: By Character
One of the most straightforward ways to split text is using a CharacterTextSplitter. It simply breaks text based on a specified separator, usually a newline character (\n).
It's like cutting a long rope into smaller pieces at every knot you find. This method is easy to understand but can sometimes break sentences or paragraphs in awkward places.
Code: Simple Character Split
Try running this example. Notice how the CharacterTextSplitter breaks the text primarily at each newline character.
from langchain_text_splitters import CharacterTextSplitter
text = "Hello world.\nThis is a test.\nAnother line here."
# Initialize the splitter
text_splitter = CharacterTextSplitter(
separator="\n",
chunk_size=20, # Max characters per chunk
chunk_overlap=0, # No overlap for simplicity
length_function=len # How to measure chunk length
)
# Split the text
chunks = text_splitter.split_text(text)
# Print the resulting chunks
for i, chunk in enumerate(chunks):
print(f"Chunk {i+1}: '{chunk}'")Understanding Chunk Size
The chunk_size parameter determines the maximum length of each piece of text. If a piece of text (before splitting by a separator) exceeds this size, the splitter will try to break it further.
Choosing the right size is crucial:
- Too small: Context might be lost across multiple chunks, making it harder for the LLM to understand the full picture.
- Too large: Might still exceed the LLM's context window or contain too much irrelevant information, diluting the focus.
The Role of Overlap
chunk_overlap specifies how many characters (or tokens) each chunk shares with the previous one. This is vital to maintain continuity and prevent loss of context at the boundaries of chunks.
Imagine a sentence that gets split perfectly in half across two chunks. Without overlap, the LLM might miss the connection between the two halves. Overlap ensures that key phrases or ideas aren't cut off abruptly, providing a smoother flow of information.
Recursive Character Splitting
The RecursiveCharacterTextSplitter is often preferred for general-purpose documents. Instead of just one separator, it tries a list of separators in order of preference (e.g., ["\n\n", "\n", " ", ""]).
It first tries to split by the largest, most semantically meaningful separator (like a double newline for paragraphs). If a chunk is still too big, it then tries the next smaller separator (like a single newline), and so on. This creates more semantically coherent chunks.
Code: Recursive Split in Action
This example uses a recursive splitter. Notice how it prioritizes paragraph breaks (double newlines) to keep related sentences together.
from langchain_text_splitters import RecursiveCharacterTextSplitter
text = """
LangChain is a framework for developing applications powered by language models.
It enables applications that are:
1. Data-aware: connect a language model to other sources of data.
2. Agentic: allow a language model to interact with its environment.
This framework provides tools and components to build complex LLM workflows.
"""
# Initialize the recursive splitter
text_splitter = RecursiveCharacterTextSplitter(
chunk_size=100, # Max characters per chunk
chunk_overlap=20, # Overlap to maintain context
length_function=len # How to measure chunk length
)
# Split the text
chunks = text_splitter.split_text(text)
# Print the resulting chunks
for i, chunk in enumerate(chunks):
print(f"Chunk {i+1}: '{chunk}'")Choosing the Right Strategy
When should you use which splitter?
CharacterTextSplitter: Good for simple, highly structured text where you know the exact delimiters (e.g., CSV files, specific log formats).RecursiveCharacterTextSplitter: Generally the default and best choice for most general-purpose documents (like articles, reports), as it aims for more logical and semantically coherent breaks.- Other splitters: LangChain offers specialized splitters for code, Markdown, and even semantic content. We'll touch on these in future lessons!
Text Splitting Challenge
You have a long article and need to split it into smaller chunks for an LLM. You decide to use a chunk_size of 500 and a chunk_overlap of 50.
Recap: Text Splitting Fundamentals
Great job! You've learned the fundamental concepts behind text splitting, a crucial step for preparing documents for LLMs.
- We split text due to LLM context window limits and for more effective retrieval.
- The
CharacterTextSplitterprovides basic splitting using a single separator. - The
RecursiveCharacterTextSplitteroffers a smarter, hierarchical approach for general text. chunk_sizecontrols the maximum length of your chunks.chunk_overlappreserves context by sharing text between adjacent chunks.
Next, we'll dive deeper into customizing splitting strategies for specific content types!
Ucz się LangChain / RAG / Vector DBs dzięki korepetycjom AI — za darmo
Pisz i uruchamiaj kod w przeglądarce, otrzymuj natychmiastową pomoc od korepetytora AI dostępnego 24/7 i kontynuuj naukę w sieci lub w aplikacji.
- Kursy
- 12
- Lekcje
- 48
Często zadawane pytania
Czy lekcja „Zrozumienie strategii dzielenia tekstu” jest bezpłatna?
Tak — pełny tekst „Zrozumienie strategii dzielenia tekstu” jest dostępny za darmo tutaj w sieci. Aby ćwiczyć ją interaktywnie (wbudowany edytor kodu i tutor AI dostępny 24/7) i odblokować resztę kursu LangChain / RAG / Vector DBs, przejdź na CoddyKit PRO. Kurs LangChain / RAG / Vector DBs zawiera 4 lekcji w sumie.
Co nauczysz się w „Zrozumienie strategii dzielenia tekstu”?
Dowiedz się, dlaczego i jak dzielić duże dokumenty na mniejsze, znaczące fragmenty, aby zoptymalizować wyszukiwanie i wykorzystanie okna kontekstowego. Ćwiczysz LangChain / RAG / Vector DBs z praktycznym kodem, który uruchamiasz bezpośrednio w przeglądarce, a tutor AI dostępny 24/7 odpowiada na Twoje pytania podczas pracy nad lekcją.
Czy potrzebuję doświadczenia, aby zacząć LangChain / RAG / Vector DBs?
Nie wymagamy żadnego doświadczenia. LangChain / RAG / Vector DBs w CoddyKit jest strukturyzowany dla początkujących i zaawansowanych użytkowników, więc możesz zacząć tutaj lub od początku i uczyć się w swoim tempie. To lekcja 2 z 4.
Ile czasu zajmuje lekcja „Zrozumienie strategii dzielenia tekstu”?
Większość lekcji CoddyKit trwa około 5–10 minut. Każda lekcja to mały, interaktywny krok, dzięki czemu robisz systematyczne postępy i zawsze wracasz dokładnie do tego samego miejsca — na webie i w aplikacji.
Czy mogę pisać i uruchamiać kod w tej lekcji LangChain / RAG / Vector DBs?
Tak. Każda lekcja LangChain / RAG / Vector DBs zawiera wbudowany edytor kodu, więc piszesz i uruchamiasz prawdziwy kod bezpośrednio w przeglądarce i od razu otrzymujesz sprzężenie zwrotne od AI — bez konfiguracji na komputerze.
Wszystkie lekcje w tym kursie
- Wczytywanie różnych typów dokumentów
- Zrozumienie strategii dzielenia tekstu
- Dostosowywanie dzielenia dokumentów
- Obsługa metadanych dokumentów i filtrowanie