Agrupamento e Fragmentação
Nesta página
O Desafio dos Grandes Volumes
Quando trabalha com milhares de documentos, não consegue codificar tudo numa única chamada à API. Tem de gerir o agrupamento (processamento em lotes) e a fragmentação (divisão do texto). Estas duas técnicas são essenciais para construir sistemas de pesquisa semântica à escala.
Os dois conceitos parecem semelhantes, mas resolvem problemas opostos. A fragmentação lida com um único documento demasiado grande para ser codificado eficazmente na sua totalidade; o agrupamento lida com demasiados documentos para caberem num único pedido. Um manual técnico de trezentas páginas enquadra-se na primeira categoria, uma exportação de vinte mil tickets na segunda, e um projeto do mundo real envolve quase sempre ambos.
Agrupamento: Processamento em Lotes
A API mistral-embed aceita uma lista de entradas, mas existem limites práticos (tamanho do pedido, contagem de tokens). A solução consiste em dividir o seu corpus em lotes e percorrer esse ciclo. A função abaixo faz exatamente isso, apresentando o progresso — um detalhe crítico quando a codificação de um corpus completo demora vários minutos e precisa de saber se o processo está a avançar ou bloqueado.
import numpy as np
from mistralai.client import Mistral
client = Mistral(api_key=api_key)
def get_embeddings_by_chunks(data, chunk_size=25):
"""Codifica uma grande lista de textos em lotes."""
chunks = [data[x:x + chunk_size] for x in range(0, len(data), chunk_size)]
embeddings = []
for i, chunk in enumerate(chunks):
print(f"Lote {i+1}/{len(chunks)} ({len(chunk)} textos)...")
response = client.embeddings.create(
model="mistral-embed",
inputs=chunk,
)
embeddings.extend([d.embedding for d in response.data])
return embeddings
# Exemplo com 1000 documentos
documents = [f"Documento número {i} com conteúdo variado." for i in range(1000)]
all_embeddings = get_embeddings_by_chunks(documents, chunk_size=50)
print(f"Total: {len(all_embeddings)} embeddings de {len(all_embeddings[0])} dimensões")
Utilizar extend em vez de append garante que a ordem dos vetores corresponde exatamente à ordem do texto de entrada. Isto permite-lhe recuperar o documento original a partir de um índice simples mais tarde.
Otimização do Tamanho do Lote
O tamanho ideal do lote depende do comprimento médio dos seus textos: cinquenta títulos de artigos e cinquenta relatórios completos não pesam o mesmo em tokens. Em vez de escolher uma constante ao acaso, estime-a a partir do próprio corpus.
def optimal_batch_size(documents, max_tokens_per_batch=16000):
"""Estima o tamanho ideal do lote."""
# Estimativa aproximada: 1 token ~ 4 caracteres em inglês
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) # Limite máximo de 100
# Ajuste com base no seu corpus
batch_size = optimal_batch_size(documents)
print(f"Tamanho de lote recomendado: {batch_size}")
O limite máximo de 100 não é cosmético: além desse valor, um único lote falhado causa uma perda significativa de trabalho, e a memória consumida pela resposta torna-se substancial.
Fragmentação: Divisão do Texto
Textos longos devem ser divididos em fragmentos antes da codificação. Existem várias estratégias, cada uma com as suas vantagens, e a escolha impacta diretamente a qualidade da resposta: um fragmento que começa no meio de uma frase produz um vetor impreciso, levando a resultados de pesquisa pouco nítidos.
Divisão Baseada em Caracteres (Simples)
O método mais direto corta a cada N caracteres, independentemente do conteúdo. O seu mérito é a previsibilidade e a velocidade, tornando-o aceitável para um protótipo ou para texto sem estrutura clara.
def chunk_by_chars(text, chunk_size=2048, overlap=200):
"""Divide o texto em fragmentos com sobreposição."""
chunks = []
start = 0
while start < len(text):
end = start + chunk_size
chunk = text[start:end]
chunks.append(chunk)
start = end - overlap # Sobreposição para contexto
return chunks
long_text = "Um documento muito longo..." * 500
chunks = chunk_by_chars(long_text, chunk_size=2048, overlap=200)
print(f"{len(chunks)} fragmentos criados")
Divisão Baseada em Parágrafos (Recomendada)
A divisão baseada em parágrafos respeita a unidade de significado pretendida pelo autor. Na documentação de produtos, cada parágrafo cobre geralmente um ponto específico; mantê-lo intacto produz um fragmento capaz de responder a uma pergunta por si só. A função acumula parágrafos até que o tamanho máximo seja excedido, fechando então o fragmento atual.
def chunk_by_paragraphs(text, max_chunk_size=2048):
"""Divide respeitando os limites dos parágrafos."""
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
Divisão Baseada em Frases
Quando o texto carece de parágrafos utilizáveis — uma transcrição de chamada, um registo de execução — a frase torna-se a menor unidade de significado disponível. A divisão segue então a mesma lógica de acumulação, baseando-se na pontuação de fim de frase.
import re
def chunk_by_sentences(text, max_chunk_size=1500):
"""Divide respeitando os limites das frases."""
# Dividir na pontuação de fim de frase
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
Sobreposição
A sobreposição entre fragmentos impede que uma ideia seja cortada ao meio. Ao adicionar uma sobreposição de 10% a 20% do tamanho do fragmento, preserva o contexto entre peças adjacentes. Imagine um procedimento onde o passo 4 termina no caractere 2040 e a consequência é explicada imediatamente a seguir: sem sobreposição, nenhum fragmento contém ambas as metades do raciocínio, e a pesquisa nunca recuperará a resposta completa.
Os valores abaixo servem como pontos de partida comprovados, dependendo do tipo de conteúdo:
# Parâmetros recomendados por tipo de conteúdo
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},
}
As conversas descem para 500 caracteres porque uma intervenção de fala é curta, e um fragmento maior misturaria múltiplos tópicos; o código sobe para 2000 com uma sobreposição generosa porque uma função perde significado se a sua assinatura for separada do seu corpo.
Pipeline Completo: Fragmentar + Agrupar + Incorporar
Eis como combinar fragmentação e agrupamento num pipeline de produção. O elemento que não deve negligenciar é o chunk_metadata: sem ele, obtém vetores órfãos incapazes de indicar de qual documento provêm, e nunca conseguirá citar as suas fontes na resposta final.
def pipeline_embed(documents, chunk_size=1500, overlap=200, batch_size=50):
"""Pipeline completo: fragmentar, agrupar, incorporar."""
# 1. Fragmentar todos os documentos
all_chunks = []
chunk_metadata = [] # Rastrear documento de origem
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)} documentos -> {len(all_chunks)} fragmentos")
# 2. Codificar em lotes
embeddings = get_embeddings_by_chunks(all_chunks, chunk_size=batch_size)
# 3. Devolver resultados estruturados
return {
"chunks": all_chunks,
"embeddings": np.array(embeddings),
"metadata": chunk_metadata,
}
# Utilização
result = pipeline_embed(documents)
print(f"Embeddings: {result['embeddings'].shape}")
Execute este pipeline numa dúzia dos seus documentos reais e inspecione o all_chunks visualmente antes de codificar qualquer coisa à escala. Uma má divisão é imediatamente visível ao ler, ao passo que nunca aparece na forma da matriz.
Pontos-chave
- O agrupamento permite codificar milhares de documentos sem exceder os limites da API
- A fragmentação divide textos longos para uma melhor granularidade semântica
- Uma sobreposição de 10–20% entre fragmentos preserva o contexto
- A divisão por parágrafos ou frases é preferível à divisão por caracteres
- Mantenha metadados (documento de origem, posição) para cada fragmento