LLM Apps in Production (RAG + Vector DB + Caching) · Lekcja

Podstawy wczytywania danych i dzielenia tekstu na fragmenty

Nauczy się Pan/Pani wczytywać dane nieustrukturyzowane i stosować skuteczne strategie dzielenia tekstu na fragmenty, aby zoptymalizować wydajność wyszukiwania.

Lekcja 2 z 411 kroki

Podstawy wczytywania danych i dzielenia tekstu na fragmenty to bezpłatna lekcja LLM Apps in Production (RAG + Vector DB + Caching) 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 LLM Apps in Production (RAG + Vector DB + Caching), a Twój postęp synchronizuje się między webem a aplikacją CoddyKit. Kurs LLM Apps in Production (RAG + Vector DB + Caching) zawiera 4 lekcji w sumie.

Części tej lekcji nie zostały jeszcze przetłumaczone i są wyświetlane po angielsku.

Loading Data for RAG

Welcome to Lesson 2! In Retrieval Augmented Generation (RAG), the first step is always to get your data ready. This means loading your information and preparing it for the Large Language Model (LLM).

Most real-world data is unstructured, meaning it doesn't fit neatly into rows and columns like a spreadsheet. Think of documents, web pages, or books.

Common Unstructured Data Sources

RAG systems can work with many types of unstructured data. Here are some common examples:

Text files (.txt): Simple, plain text documents.
PDFs (.pdf): Often contain text, images, and complex layouts.
Word Documents (.docx): Rich text with formatting.
Web Pages (.html): Content from websites.
Databases/APIs: Text extracted from various fields.

The goal is to extract the raw text content from these sources.

Basic Text File Loading

Let's start with the simplest form: loading a plain text file. In Python, you can easily read the entire content of a file into a string.

This example creates a small sample.txt and then reads its content.

import os

def load_text_file(filepath):
    with open(filepath, 'r', encoding='utf-8') as f:
        return f.read()

if __name__ == "__main__":
    # Create a dummy file for demonstration
    file_content = "This is the first line.\nThis is the second line.\nAnd a final line of text."
    with open("sample.txt", "w", encoding="utf-8") as f:
        f.write(file_content)
    
    # Load and print the content
    loaded_data = load_text_file("sample.txt")
    print("--- Loaded Content ---")
    print(loaded_data)

    # Clean up the dummy file
    os.remove("sample.txt")

Why Text Chunking is Essential

Once you've loaded your data, you can't usually send an entire book or long document directly to an LLM. Why not?

Context Window Limits: LLMs have a maximum amount of text they can process at once.
Cost: Sending very long texts is expensive, as you're typically charged per token.
Relevance: Shorter, focused pieces of text are often more relevant for retrieval.

This is where text chunking comes in.

Understanding the Context Window

The context window is like an LLM's short-term memory. It's the maximum number of tokens (words or sub-words) it can consider when generating a response.

If your input text is too long, it gets truncated.
The LLM only 'sees' what's in its context window.

Chunking breaks your big document into smaller, manageable pieces that fit within this window.

Basic Chunking: Fixed Size

The simplest chunking strategy is fixed-size chunking. You define a specific number of characters or tokens, and then split your document into chunks of that exact size.

For example, if you have a 1000-character document and a chunk size of 100, you'll get 10 chunks.

Pros: Easy to implement.
Cons: Can cut sentences or paragraphs in half, losing context.

Fixed-Size Chunking in Action

Here's a Python example demonstrating fixed-size chunking. Notice how the text is simply cut at regular intervals, which might sometimes break words or sentences.

def fixed_size_chunker(text, chunk_size):
    chunks = []
    for i in range(0, len(text), chunk_size):
        chunks.append(text[i : i + chunk_size])
    return chunks

if __name__ == "__main__":
    sample_text = "Large language models are powerful tools for text generation and understanding. However, they have limitations, especially with very long inputs due to their context window size."
    
    chunk_size = 40
    chunks = fixed_size_chunker(sample_text, chunk_size)
    
    print(f"Original text length: {len(sample_text)}")
    print(f"Chunk size: {chunk_size}")
    print("--- Chunks ---")
    for i, chunk in enumerate(chunks):
        print(f"Chunk {i+1} ({len(chunk)} chars): '{chunk}'")

Improving Context with Overlap

Fixed-size chunking can be problematic if important context is split across two chunks. To mitigate this, we use overlapping chunks.

With overlap, each new chunk starts a bit before the previous one ended. This ensures that some text appears in multiple chunks, preserving continuity.

A common overlap size is 10-20% of the chunk size.
It helps the LLM connect ideas even if they span chunk boundaries.

Overlapping Chunking Example

See how adding an overlap helps maintain context. The start of each new chunk includes some text from the end of the previous one.

def overlapping_chunker(text, chunk_size, overlap_size):
    chunks = []
    start = 0
    while start < len(text):
        end = start + chunk_size
        chunk = text[start:end]
        chunks.append(chunk)
        start += chunk_size - overlap_size
        if start < 0: # Handle cases where overlap > chunk_size initially
            start = 0
    return chunks

if __name__ == "__main__":
    text_data = "The quick brown fox jumps over the lazy dog. Dogs are mammals and often friendly animals."
    
    chunk_size = 30
    overlap_size = 10
    chunks = overlapping_chunker(text_data, chunk_size, overlap_size)
    
    print(f"Original text length: {len(text_data)}")
    print(f"Chunk size: {chunk_size}, Overlap size: {overlap_size}")
    print("--- Overlapping Chunks ---")
    for i, chunk in enumerate(chunks):
        print(f"Chunk {i+1} ({len(chunk)} chars): '{chunk}'")

Check Your Understanding

You've learned about loading data and basic chunking strategies. Now, let's test your knowledge!

Odpowiedz w interaktywnej lekcji

Recap: Data Loading & Chunking

Great job! In this lesson, we covered the foundational steps of preparing data for RAG applications:

Data Loading: Extracting raw text from various unstructured sources like text files, PDFs, and web pages.
Text Chunking: The essential process of breaking down long documents into smaller, manageable pieces.
Context Window: Understanding the LLM's limitation on input text length (measured in tokens).
Chunking Strategies: Explored basic fixed-size chunking and the improved method of fixed-size chunking with overlap to preserve context.

Next, we'll see how these chunks are used to build a simple RAG pipeline!

Bezpłatny start

Ucz się LLM Apps in Production (RAG + Vector DB + Caching) 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

Zacznij naukę bezpłatnie Wyświetl pełny kurs

Często zadawane pytania

Czy lekcja „Podstawy wczytywania danych i dzielenia tekstu na fragmenty” jest bezpłatna?

Tak — pełny tekst „Podstawy wczytywania danych i dzielenia tekstu na fragmenty” jest dostępny za darmo tutaj w sieci. Aby ćwiczyć ją interaktywnie (wbudowany edytor kodu i tutor AI dostępny 24/7) i odblokować resztę kursu LLM Apps in Production (RAG + Vector DB + Caching), przejdź na CoddyKit PRO. Kurs LLM Apps in Production (RAG + Vector DB + Caching) zawiera 4 lekcji w sumie.

Co nauczysz się w „Podstawy wczytywania danych i dzielenia tekstu na fragmenty”?

Nauczy się Pan/Pani wczytywać dane nieustrukturyzowane i stosować skuteczne strategie dzielenia tekstu na fragmenty, aby zoptymalizować wydajność wyszukiwania. Ćwiczysz LLM Apps in Production (RAG + Vector DB + Caching) 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 LLM Apps in Production (RAG + Vector DB + Caching)?

Nie wymagamy żadnego doświadczenia. LLM Apps in Production (RAG + Vector DB + Caching) 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 „Podstawy wczytywania danych i dzielenia tekstu na fragmenty”?

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 LLM Apps in Production (RAG + Vector DB + Caching)?

Tak. Każda lekcja LLM Apps in Production (RAG + Vector DB + Caching) 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

Wybór dostawcy LLM
Podstawy wczytywania danych i dzielenia tekstu na fragmenty
Budowa prostego potoku RAG
Testowanie i ocena aplikacji RAG

← Powrót do LLM Apps in Production (RAG + Vector DB + Caching)