Пакетиране и разделяне на части
На тази страница
Предизвикателството при големи обеми
Когато работите с хиляди документи, не можете да кодирате всичко в едно единствено API обаждане. Трябва да управлявате пакетирането (обработка на групи) и разделянето на части (разцепване на текста). Тези две техники са от съществено значение за изграждането на системи за семантично търсене в мащаб.
Двете концепции звучат подобно, но решават противоположни проблеми. Разделянето на части се занимава с един документ, който е твърде голям, за да бъде кодиран ефективно като цяло; пакетирането се занимава с твърде много документи, които не се събират в една заявка. Техническо ръководство от триста страници попада в първата категория, експорт от двадесет хиляди билета – във втората, а реален проект почти винаги включва и двете.
Пакетиране: Обработка на групи
API на mistral-embed приема списък с входни данни, но съществуват практически ограничения (размер на заявката, брой токени). Решението е да разделите вашия корпус на пакети и да ги обработвате в цикъл. Функцията по-долу прави точно това, показвайки прогреса – критичен детайл, когато кодирането на пълен корпус отнема няколко минути и трябва да знаете дали процесът напредва или е заседнал.
import numpy as np
from mistralai.client import Mistral
client = Mistral(api_key=api_key)
def get_embeddings_by_chunks(data, chunk_size=25):
"""Encode a large list of texts in batches."""
chunks = [data[x:x + chunk_size] for x in range(0, len(data), chunk_size)]
embeddings = []
for i, chunk in enumerate(chunks):
print(f"Batch {i+1}/{len(chunks)} ({len(chunk)} texts)...")
response = client.embeddings.create(
model="mistral-embed",
inputs=chunk,
)
embeddings.extend([d.embedding for d in response.data])
return embeddings
# Example with 1000 documents
documents = [f"Document number {i} with varied content." for i in range(1000)]
all_embeddings = get_embeddings_by_chunks(documents, chunk_size=50)
print(f"Total: {len(all_embeddings)} embeddings of {len(all_embeddings[0])} dimensions")
Използването на extend вместо append гарантира, че редът на векторите съвпада точно с реда на входния текст. Това Ви позволява по-късно да извлечете оригиналния документ чрез прост индекс.
Оптимизиране на размера на пакета
Оптималният размер на пакета зависи от средната дължина на Вашите текстове: петдесет заглавия на статии и петдесет пълни доклада не тежат еднакво в токени. Вместо да избирате константа на случаен принцип, оценете я въз основа на самия корпус.
def optimal_batch_size(documents, max_tokens_per_batch=16000):
"""Estimate the optimal batch size."""
# Rough estimate: 1 token ~ 4 characters in English
avg_chars = sum(len(d) for d in documents) / len(documents)
avg_tokens = avg_chars / 4
batch_size = max(1, int(max_tokens_per_batch / avg_tokens))
return min(batch_size, 100) # Cap at 100
# Adjust based on your corpus
batch_size = optimal_batch_size(documents)
print(f"Recommended batch size: {batch_size}")
Ограничението до 100 не е козметично: отвъд тази граница един неуспешен пакет причинява значителна загуба на работа, а паметта, консумирана от отговора, става съществена.
Разделяне на части: Разцепване на текста
Дългите текстове трябва да бъдат разделени на части преди кодиране. Съществуват няколко стратегии, всяка със своите предимства, и изборът директно влияе върху качеството на отговора: част, която започва по средата на изречението, произвежда неясен вектор, което води до неясни резултати от търсенето.
Разделяне базирано на символи (Просто)
Най-директният метод отрязва всеки N символа, независимо от съдържанието. Неговото предимство е предвидимостта и скоростта, което го прави приемлив за прототип или за текст без ясна структура.
def chunk_by_chars(text, chunk_size=2048, overlap=200):
"""Split text into chunks with overlap."""
chunks = []
start = 0
while start < len(text):
end = start + chunk_size
chunk = text[start:end]
chunks.append(chunk)
start = end - overlap # Overlap for context
return chunks
long_text = "A very long document..." * 500
chunks = chunk_by_chars(long_text, chunk_size=2048, overlap=200)
print(f"{len(chunks)} chunks created")
Разделяне базирано на абзаци (Препоръчително)
Разделянето базирано на абзаци tônува единицата на смисъл, замислена от автора. В продуктовата документация всеки абзац обикновено обхваща конкретен пункт; запазването му непокътнат води до част, която може да отговори на въпрос самостоятелно. Функцията натрупва абзаци, докато максималният размер не бъде надвишен, след което затваря текущата част.
def chunk_by_paragraphs(text, max_chunk_size=2048):
"""Split while respecting paragraph boundaries."""
paragraphs = text.split("\n\n")
chunks = []
current_chunk = ""
for para in paragraphs:
if len(current_chunk) + len(para) + 2 > max_chunk_size:
if current_chunk:
chunks.append(current_chunk.strip())
current_chunk = para
else:
current_chunk += "\n\n" + para if current_chunk else para
if current_chunk:
chunks.append(current_chunk.strip())
return chunks
Разделяне базирано на изречения
Когато текстът липсва използваеми абзаци – транскрипция на разговор, дневник на изпълнение – изречението става най-малката налична единица на смисъл. Разделянето тогава следва същата логика на натрупване, разчитайки на пунктуацията за край на изречението.
import re
def chunk_by_sentences(text, max_chunk_size=1500):
"""Split while respecting sentence boundaries."""
# Split on end-of-sentence punctuation
sentence_pattern = r'(?<=[.!?])\s+'
sentences = re.split(sentence_pattern, text)
chunks = []
current_chunk = ""
for sentence in sentences:
if len(current_chunk) + len(sentence) + 1 > max_chunk_size:
if current_chunk:
chunks.append(current_chunk.strip())
current_chunk = sentence
else:
current_chunk += " " + sentence if current_chunk else sentence
if current_chunk:
chunks.append(current_chunk.strip())
return chunks
Припокриване
Припокриването между частите предотвратява разрязването на една идея наполовина. Чрез добавяне на припокриване от 10% до 20% от размера на частта, Вие запазвате контекста между съседните парчета. Представете си процедура, при която стъпка 4 завършва на символ 2040, а последствието е обяснено веднага след това: без припокриване никоя част не съдържа и двете половини на разсъждението и търсенето никога няма да извлече пълния отговор.
Стойностите по-долу служат като доказани отправни точки в зависимост от типа съдържание:
# Recommended parameters by content type
PARAMS = {
"articles": {"chunk_size": 1500, "overlap": 200},
"documentation": {"chunk_size": 1000, "overlap": 150},
"conversations": {"chunk_size": 500, "overlap": 50},
"code": {"chunk_size": 2000, "overlap": 300},
}
Разговорите падат до 500 символа, защото един завой на речта е кратък, а по-голяма част би смесила множество теми; кодът се повишава до 2000 с щедро припокриване, защото една функция губи смисъл, ако нейният подпис бъде отделен от тялото ѝ.
Пълен конвейер: Разделяне + Пакетиране + Вграждане
Ето как да комбинирате разделянето на части и пакетирането в производствен конвейер. Елементът, който не трябва да пренебрегвате, е chunk_metadata: без него получавате осиротели вектори, които не могат да посочат от кой документ произлизат, и никога няма да можете да цитирате източниците си в крайния отговор.
def pipeline_embed(documents, chunk_size=1500, overlap=200, batch_size=50):
"""Complete pipeline: chunk, batch, embed."""
# 1. Chunk all documents
all_chunks = []
chunk_metadata = [] # Track source document
for doc_idx, doc in enumerate(documents):
chunks = chunk_by_paragraphs(doc, max_chunk_size=chunk_size)
for chunk_idx, chunk in enumerate(chunks):
all_chunks.append(chunk)
chunk_metadata.append({
"doc_index": doc_idx,
"chunk_index": chunk_idx,
})
print(f"{len(documents)} documents -> {len(all_chunks)} chunks")
# 2. Encode in batches
embeddings = get_embeddings_by_chunks(all_chunks, chunk_size=batch_size)
# 3. Return structured results
return {
"chunks": all_chunks,
"embeddings": np.array(embeddings),
"metadata": chunk_metadata,
}
# Usage
result = pipeline_embed(documents)
print(f"Embeddings: {result['embeddings'].shape}")
Стартирайте този конвейер с дузина от Вашите действителни документи и проверете all_chunks на око, преди да кодирате каквото и да е в мащаб. Лошото разделяне се вижда веднага при четене, докато то никога не се проявява във формата на матрицата.
Ключови изводи
- Пакетирането Ви позволява да кодирате хиляди документи, без да надвишавате лимитите на API
- Разделянето на части разцепва дългите текстове за по-добра семантична гранулярност
- Припокриване от 10–20% между частите запазва контекста
- Разделянето по абзаци или изречения е за предпочитане пред разделянето по символи
- Запазете метаданните (изходен документ, позиция) за всяка част