พื้นฐานการโหลดข้อมูลและแบ่งข้อความเป็นส่วน
เรียนรู้วิธีโหลดข้อมูลที่ไม่มีโครงสร้างและใช้กลยุทธ์แบ่งข้อความเป็นส่วนอย่างมีประสิทธิภาพ เพื่อประสิทธิภาพการค้นคืนที่ดีที่สุด
พื้นฐานการโหลดข้อมูลและแบ่งข้อความเป็นส่วน เป็นบทเรียน LLM Apps in Production (RAG + Vector DB + Caching) ฟรีบน CoddyKit นี่คือบทเรียนที่ 2 จากทั้งหมด 4 บทเรียน คุณสามารถอ่านบทเรียนทั้งหมดด้านล่างฟรี — จากนั้นลองปฏิบัติด้วยตัวคุณเองในเบราว์เซอร์พร้อมตัวแก้ไขโค้ดในตัวและติวเตอร์ AI ตลอด 24/7 บทเรียนนี้เป็นส่วนหนึ่งของเส้นทางการเรียน LLM Apps in Production (RAG + Vector DB + Caching) และความก้าวหน้าของคุณจะซิงค์ข้ามเว็บและแอป CoddyKit คอร์ส LLM Apps in Production (RAG + Vector DB + Caching) มีบทเรียนทั้งหมด 4 บทเรียน
บางส่วนของบทเรียนนี้ยังไม่ได้รับการแปล และแสดงเป็นภาษาอังกฤษ
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!
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!
เรียนรู้ LLM Apps in Production (RAG + Vector DB + Caching) ด้วย AI tutor — ฟรี
เขียนและเรียกใช้โค้ดจริงในเบราว์เซอร์ของคุณ รับความช่วยเหลือทันทีจาก AI tutor 24/7 และเรียนรู้ต่อจากที่คุณหยุดบนเว็บหรือในแอป
- คอร์ส
- 12
- บทเรียน
- 48
คำถามที่พบบ่อย
บทเรียน “พื้นฐานการโหลดข้อมูลและแบ่งข้อความเป็นส่วน” ฟรีหรือไม่
ใช่ — ข้อความเต็มของ “พื้นฐานการโหลดข้อมูลและแบ่งข้อความเป็นส่วน” ฟรีให้อ่านที่นี่บนเว็บ เพื่อปฏิบัติแบบโต้ตอบ (ตัวแก้ไขโค้ดในตัวและติวเตอร์ AI ตลอด 24/7) และปลดล็อคส่วนที่เหลือของคอร์ส LLM Apps in Production (RAG + Vector DB + Caching) ให้อัปเกรดเป็น CoddyKit PRO คอร์ส LLM Apps in Production (RAG + Vector DB + Caching) มีบทเรียนทั้งหมด 4 บทเรียน
คุณจะเรียนรู้อะไรในบทเรียน “พื้นฐานการโหลดข้อมูลและแบ่งข้อความเป็นส่วน”
เรียนรู้วิธีโหลดข้อมูลที่ไม่มีโครงสร้างและใช้กลยุทธ์แบ่งข้อความเป็นส่วนอย่างมีประสิทธิภาพ เพื่อประสิทธิภาพการค้นคืนที่ดีที่สุด คุณปฏิบัติ LLM Apps in Production (RAG + Vector DB + Caching) ด้วยโค้ดที่ใช้งานได้จริงที่คุณเรียกใช้โดยตรงในเบราว์เซอร์ และติวเตอร์ AI ตลอด 24/7 ตอบคำถามของคุณขณะที่คุณไปผ่านบทเรียน
คุณต้องมีประสบการณ์ก่อนที่จะเริ่มเรียน LLM Apps in Production (RAG + Vector DB + Caching) หรือไม่
ไม่จำเป็นต้องมีประสบการณ์มาก่อน LLM Apps in Production (RAG + Vector DB + Caching) บน CoddyKit ออกแบบมาสำหรับผู้เริ่มต้นไปจนถึงผู้เรียนขั้นสูง คุณสามารถเริ่มต้นที่นี่หรือเริ่มจากตัวแรกและเรียนด้วยความเร็วของคุณเอง นี่คือบทเรียนที่ 2 จากทั้งหมด 4 บทเรียน
บทเรียน “พื้นฐานการโหลดข้อมูลและแบ่งข้อความเป็นส่วน” ใช้เวลานานแค่ไหน
บทเรียน CoddyKit ส่วนใหญ่ใช้เวลาประมาณ 5–10 นาที แต่ละบทเรียนจึงสั้นและเป็นแบบโต้ตอบ คุณสามารถก้าวหน้าอย่างต่อเนื่องและกลับมาเรียนต่อจากตรงที่เพิ่งหยุดบนเว็บและแอปได้เลย
ฉันเขียนและรันโค้ดในบทเรียน LLM Apps in Production (RAG + Vector DB + Caching) นี้ได้ไหม
ได้ บทเรียน LLM Apps in Production (RAG + Vector DB + Caching) ทุกบทมีตัวแก้ไขโค้ดในตัว คุณจึงเขียนและรันโค้ดจริงได้เลยในเบราว์เซอร์ และได้รับข้อเสนอแนะจาก AI ในทันที — ไม่ต้องติดตั้งในเครื่องของคุณ
บทเรียนทั้งหมดในหลักสูตรนี้
- การเลือกผู้ให้บริการ LLM
- พื้นฐานการโหลดข้อมูลและแบ่งข้อความเป็นส่วน
- การสร้างไปป์ไลน์ RAG อย่างง่าย
- การทดสอบและประเมินแอป RAG ของคุณ