O que estratégia-de-chunking faz?
Fornece estratégias de chunking para sistemas RAG. Gera recomendações de tamanho de chunk (256-1024 tokens), porcentagens de sobreposição (10-20%) e métodos de detecção de limites semânticos. Valida a coerência semântica e avalia métricas de precisão/recuperação de recuperação. Use ao construir sistemas de geração aumentada por recuperação, bancos de dados vetoriais ou processar documentos grandes.
Como Usar
Esta skill pode ser invocada diretamente em prompts do assistente. As recomendações são baseadas no tipo de conteúdo e nos requisitos do sistema.
Exemplo de Prompt
Me dê uma estratégia de chunking para um documento técnico de 50 páginas.
Parâmetros de Entrada (opcionais)
tipo_de_conteudo: Técnico, narrativo, científico, etc.tamanho_do_documento: Pequeno (<10 páginas), Médio (10-100 páginas), Grande (>100 páginas)idioma: Idioma do documento (padrão: inglês)modelo_de_embeddings: Modelo usado para embeddings (padrão:text-embedding-ada-002)
Exemplo de Saída
Tamanho de chunk recomendado: 512 tokens
Sobreposição: 15%
Método de detecção de limite: Fim de parágrafo
Coerência semântica: Válida
Precisão esperada: 0.89
Recall esperado: 0.85
Plataformas Suportadas
- Claude Code
- Cursor
- Codex
- Qualquer assistente com capacidade de análise de documentos
Métricas Avaliadas
| Métrica | Descrição |
|---|---|
| Precisão | Fração de chunks recuperados que são relevantes |
| Recall | Fração de chunks relevantes que são recuperados |
| Coerência Semântica | Grau em que o chunk mantém uma unidade de significado |
Notas
- Para documentos com muita terminologia técnica, chunks menores (256 tokens) podem ser mais eficazes.
- Para conteúdo narrativo, chunks maiores (até 1024 tokens) tendem a preservar melhor o contexto.
- A sobreposição de 10-20% ajuda a evitar a perda de contexto nas bordas dos chunks.