一个轻量级RAG文本切块项目Chonkie

最新推荐文章于 2025-12-01 16:50:37 发布
原创 最新推荐文章于 2025-12-01 16:50:37 发布 · 965 阅读 · 20 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#pdf #人工智能 #ai #深度学习 #chatgpt #大模型 #AI

**Chonkie：**实用的RAG分块库，轻量级、速度快，可随时对文本进行分块

支持的方法

Chonkie 提供了多个分块器，可高效地为RAG应用程序拆分文本。以下是可用分块器的简要概述：

  • TokenChunker：将文本分割成固定大小的标记块。

  • WordChunker：根据单词将文本分成块。

  • SentenceChunker：根据句子将文本分成块。

  • SemanticChunker：根据语义相似性将文本分成块。

  • SDPMChunker：使用语义双重合并方法分割文本。

基准(VS LangChain LlamaIndex)

尺寸

  • 默认安装： 9.7MB（其他版本为 80-171MB）

  • 具有语义：仍然比竞争对手更轻！

速度

  • token分块：比最慢的替代方案快 33 倍

  • 句子分块：比竞争对手快近 2 倍

  • 语义分块：比其他方法快 2.5 倍

####``pip install chonkie``   ``# First import the chunker you want from Chonkie` `from chonkie import TokenChunker``   ``# Import your favorite tokenizer library``# Also supports AutoTokenizers, TikToken and AutoTikTokenizer``from tokenizers import Tokenizer` `tokenizer = Tokenizer.from_pretrained("gpt2")``   ``# Initialize the chunker``chunker = TokenChunker(tokenizer)``   ``# Chunk some text``chunks = chunker("Woah! Chonkie, the chunking library is so cool! I love the tiny hippo hehe.")``   ``# Access chunks``for chunk in chunks:`    `print(f"Chunk: {chunk.text}")`    `print(f"Tokens: {chunk.token_count}")

https://github.com/bhavnicksm/chonkie``https://pypi.org/project/chonkie/

如何学习AI大模型 ？

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。【保证100%免费】🆓

优快云粉丝独家福利

这份完整版的 AI 大模型学习资料已经上传优快云，朋友们如果需要可以扫描下方二维码&点击下方优快云官方认证链接免费领取 【保证100%免费】

读者福利： 👉👉优快云大礼包：《最新AI大模型学习资源包》免费分享 👈👈

（👆👆👆安全链接，放心点击）

对于0基础小白入门：

如果你是零基础小白，想快速入门大模型是可以考虑的。

一方面是学习时间相对较短，学习内容更全面更集中。
二方面是可以根据这些资料规划好学习计划和方向。

👉1.大模型入门学习思维导图👈

要学习一门新的技术，作为新手一定要先学习成长路线图，方向不对，努力白费。

对于从来没有接触过AI大模型的同学，我们帮你准备了详细的学习成长路线图&学习规划。可以说是最科学最系统的学习路线，大家跟着这个大的方向学习准没问题。（全套教程文末领取哈）
在这里插入图片描述

👉2.AGI大模型配套视频👈

很多朋友都不喜欢晦涩的文字，我也为大家准备了视频教程，每个章节都是当前板块的精华浓缩。

在这里插入图片描述
在这里插入图片描述

👉3.大模型实际应用报告合集👈

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。（全套教程文末领取哈）

在这里插入图片描述

👉4.大模型落地应用案例PPT👈

光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。（全套教程文末领取哈）

在这里插入图片描述

👉5.大模型经典学习电子书👈

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。（全套教程文末领取哈）
img

在这里插入图片描述

👉6.大模型面试题&答案👈

截至目前大模型已经超过200个，在大模型纵横的时代，不仅大模型技术越来越卷，就连大模型相关的岗位和面试也开始越来越卷了。为了让大家更容易上车大模型算法赛道，我总结了大模型常考的面试题。（全套教程文末领取哈）

在这里插入图片描述
👉学会后的收获：👈
• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习

优快云粉丝独家福利

这份完整版的 AI 大模型学习资料已经上传优快云，朋友们如果需要可以扫描下方二维码&点击下方优快云官方认证链接免费领取 【保证100%免费】

读者福利： 👉👉优快云大礼包：《最新AI大模型学习资源包》免费分享 👈👈

（👆👆👆安全链接，放心点击）
精选资源
Langchain-一个简单的基于Langchain+RAG的应用示例-附项目源码+流程教程-优质项目实战.zip
10-20
LangChain是一个整合了多种语言处理技术的框架，而RAG技术是结合了检索增强与生成模型的创新方法，该技术模型在回答问题时能够从大量文本数据中检索相关信息，并据此生成准确且相关的回答。这不仅提升了问题回答的...
Chonkie 一个超轻量级且功能强大的文本分块（chunking）库，专为快速、精准地拆分和优化文本而设计(Python 源码)
10-18
Chonkie 是一个超轻量级且功能强大的文本分块（chunking）库，专为快速、精准地拆分和优化文本而设计。告别臃肿依赖，轻松完成文本切割、语义分块和向量检索准备。 主要特点： - 极速分块：Token、句子、递归、语义...
别再为 RAG 文本分块发愁！Chonkie 让复杂操作轻松搞定
m0_59164304的博客
02-19 1327
在自然语言处理（NLP）中，RAG（检索增强生成）技术可谓大放异彩。它能让模型借助大量文本数据，生成更精准、更丰富的内容。不过，在 RAG 的实际运用中，有个关键环节却常常让开发者们头疼不已，那就是文本分块（Chunking）。今天，就给大家介绍一款堪称 “救星” 的神器 ——Chonkie 库，让 RAG 中的文本分块难题迎刃而解！
【AI】Spring AI Alibaba 的介绍
大家好，我是敖云岚，一个沉迷代码的 “技术玩家”。擅长 Java、C++ 开发，对 MySQL、Redis、RabbitMQ 等技术也颇有研究。博客里既有硬核技术干货，也有诙谐幽默的编程日常分享。愿和你一起，笑着学技术，快乐敲代码！
06-18 1264
SpringAIAlibaba是基于SpringAI构建的开源项目，为开发者提供阿里云通义系列模型的高层次API抽象与云原生集成方案。该项目支持多种AI模型服务（如聊天、文生图、音频转录等），具备同步/流式API调用、结构化输出、矢量数据库存储、函数调用及RAG开发模式等功能，帮助开发者快速构建复杂AI应用。文章还介绍了AI模型、提示词模板、嵌入向量、Token计算等核心概念，以及检索增强生成（RAG）和函数调用等关键技术，展现了Java生态在AI应用开发领域的实践创新。
Chonkie：一个极速且轻量级文本分块的革命者，解锁 RAG 分块多种策略
m0_59164304的博客
11-16 3069
Chonkie是一个用于RAG（检索增强生成）任务的轻量级、快速的文本分块库。
喂饭教程！全网首发对小白友好的GraphRAG查询流程全揭秘
python123456_的博客
11-19 1277
GraphRAG 在 query 时也会根据问题使用不同的聚类层级。但不同的是，GraphRAG 定义了两种差异非常大的 query 方式。一种是 Local Search ，用于处理具体的、相对关注细节的问题。这种 query 时使用的上下文内容主要是知识图谱中的内容和原始的 Text Units。把这些信息合并后，一次构建上下文调用 LLM 进行推理，并且一次 Local Search 只会调用一次 LLM，但是因为要送给LLM的信息比较多，所以也比正常的RAG要花更多token。
Chonkie：轻量高效的 RAG 分块库，支持 Token、单词、句子和语义相似性等多种分块方法
士多啤梨先生の博客
11-14 608
Chonkie 是一个轻量级、快速且功能丰富的 RAG 分块库，支持多种分块方法，适用于各种自然语言处理任务。
Chonkie：轻量级RAG文本分块库，让文本处理更高效
u013818406的博客
11-14 1488
Chonkie以其轻量级、高效和易用性，成为了NLP领域中文本分块的优选工具。无论是在RAG应用、对话系统、文本摘要还是机器翻译等场景，Chonkie都能提供强大的支持。如果你正在寻找一个简单而强大的文本分块解决方案，Chonkie绝对值得一试。
大模型文本分割实战指南：Chonkie、LangChain、LlamaIndex工具详解与代码实现！
2301_80239908的博客
10-08 948
文章详细介绍了大模型应用中文本分割的重要性及多种策略（固定大小、自然边界、递归、语义分割等），对比了Chonkie、LangChain和LlamaIndex等工具的实现特点。强调了分割质量直接影响检索准确性和成本，提供了从预处理到索引的完整流程，并针对问答、摘要、搜索等场景给出实践建议，最后提供了评估分割效果的测试框架。
精选资源
本地基于GGUF部署的DeepSeek实现轻量级调优之二：RAG（检索增强生成）.pdf
02-11
关键词包括DeepSeek、RAG、sentence-transformers、GPU加速、Quantization等，这些词汇涉及到深度学习、自然语言处理、模型部署、性能优化等多个领域。对于深度学习和自然语言处理的研究人员和工程师来说，这些知识...
精选资源
RAG-基于Java实现的增强检索生成RAG项目-包含知识库+检索-附项目源码+流程教程-优质项目实战
10-20
在计算机科学和信息技术领域，信息检索是一个涉及数据存储、检索和管理的重要分支，它包含文本、图像、音频、视频等多种形式的数据。随着人工智能技术的发展，增强型检索系统（Augmented Retrieval Generation，RAG...
RAG中的文本切分策略详解
人工智能
01-12 1566
RAG中当比较两段文本的嵌入向量时，可以根据它们在高位空间中的距离或者角度，来推断这两段文本在语义上的相似度或者差异。利用相似度，将语义上相似的文本自动分组在一起，形成聚类，这有助于更好的理解和组织大量的文本数据。RecursiveCharacterTextSplitter文本切割工具的设计目的是为了在处理文本时，能够在不损失语义关联性的前提下，将文本的有效分割成更小的单元。是不是可以基于文本的语义实现一种更好的方法来处理文本分块，即非固定参数(chunk_size)，而是基于语义自行动态确认参数。
专题：2026年中国消费零售行业新图景报告：消费者行为、品牌增长与AI应用|附540+份报告PDF、数据、可视化模板汇总下载
最新发布
大数据部落
12-01 1283
原文出处：拓端抖音号@拓端tecdat。
2015-2025年英语四级历年真题及答案解析PDF电子版（可下载）
weixin_55690020的博客
12-01 995
2025年下半年英语六级考试将于举行，倒计时12天！大鱼整理了2015年到2025年6月的全国大学英语四级CET4真题试卷、听力音频材料及详细答案解析，PDF高清电子版，可免费下载打印。2025年6月英语四级真题及答案解析四级真题及答案（2015-2025年6月）2025年6月英语四级真题及答案解析2025年6月英语四级真题及答案解析。
扫描版PDF转换为EPUB电子书
green__apple的专栏
11-28 333
摘要：本文介绍了使用pdf-craft工具将PDF文件转换为MD和EPUB格式的完整流程。对于PDF转MD，需创建虚拟环境并安装pdf-craft包，通过Python脚本提取PDF内容并生成Markdown文件。对于PDF转EPUB，需要申请DeepSeek API密钥，配置环境变量后运行自动转换脚本，该脚本会处理中文文件名翻译并生成EPUB电子书。两种转换方式都提供了详细的代码示例和操作步骤说明，适用于扫描书籍PDF的处理需求。
27.Python操作PDF文件
redis数据库安装及启用
11-29 629
在学习完上面的内容之后，相信大家已经知道像合并多个 PDF 文件这样的工作应该如何用 Python 代码来处理了，赶紧自己动手试一试吧。
【python】图片转PDF工具【附完整源码】
Young_Pro的博客
12-01 179
【原创实现】Python 实现 PDF 批量压缩工具（支持逐个确认 / 批量处理 / 多级压缩）
weixin_46244623的博客
12-01 891
本文介绍了一个本地PDF压缩工具，通过Python和Ghostscript实现高效压缩。主要功能包括： 支持四种压缩等级（屏幕/电子书/打印/印刷） 提供单文件或批量处理模式 交互式操作，可逐个确认压缩 自动检测Ghostscript环境 输出压缩结果统计 该工具无需联网，不依赖付费服务，适合处理敏感或大体积PDF文件。代码完整可运行，支持Windows/macOS/Linux系统，是日常办公的实用脚本。
rag 文本切块
03-23
### RAG 架构中文本切块的实现方法 在构建 Retrieval-Augmented Generation (RAG) 系统时，文本切块是一个至关重要的环节。合理的文本切块能够有效保留原始数据的语义信息并提高后续向量化和检索的质量。 #### 1. 原则与目标 为了适应不同类型的输入数据（如纯文本、HTML、Markdown 或代码），需要遵循特定的原则来设计文本切块策略。这些原则通常包括保持结构完整性、减少上下文丢失以及优化嵌入表示的效果[^1]。具体来说： - **结构保护**：对于带有明显层次或标记的语言（例如 Markdown 和 HTML），应尽可能沿用原有的标签或标题作为分割依据。 - **语义连贯性**：确保每一块都包含足够的背景知识以便于下游任务的理解。 - **灵活性调整**：支持动态改变参数设置以满足多样化的应用场景需求。 #### 2. 方法论介绍 ##### （1）基于字符递归的方法 一种常用的技术是由 LangChain 提供的 `RecursiveCharacterTextSplitter` 类型工具，该类允许开发者定义一系列分隔符及其优先级顺序，并据此逐步细化文档直到达到预设大小限制为止[^5]。下面展示了一个典型实例配置： ```python from langchain.text_splitter import RecursiveCharacterTextSplitter splitter = RecursiveCharacterTextSplitter( chunk_size=1024, # 单片最大长度设定为1024个token chunk_overlap=128, # 设置相邻片段间重叠部分为128 tokens separators=["\n```\n", "\n\n", "\n", " "] # 自定义分离规则列表 ) ``` 上述代码段展示了如何创建一个定制版的文本分裂器对象，其中特别注意到了编程代码区块(`\n```\n`)这种特殊情况下的处理方式。 ##### （2）面向特定格式的数据处理器 除了通用解决方案外，还有专门用于某些复杂媒介形式（像富媒体文件或者跨模式资料集合）上的高级算法可供选用。例如，“Markdown Header Text Splitter”可以识别 markdown 文件内的各级别的头部标志来进行更加精准而自然的内容划分；而对于图片、音频乃至视频这类非文字素材，则需依赖额外提取特征后再关联至对应描述性的元数据上完成联合索引建立过程[^3]。 另外，在企业级部署环境下，Advanced RAG 技术还提出了更为详尽的设计思路——即围绕整个工作流体系设立多个相互协作的功能单元共同作用达成最终目的[^4]。这其中包括但不限于以下几个核心组成部分： - 数据源接入层负责统一管理各类异质资源； - 中央控制台用来协调调度各子系统的运作状态； - 用户界面呈现反馈机制帮助操作人员实时监控进度情况等。 #### 3. 结合案例分析 最后值得一提的是，实际项目开发过程中往往还需要不断试验多种可能组合方案才能找到最适合当前业务场景的最佳实践路径[^2]。比如可以通过修改 separator 参数值测试哪种模式下能获得更好的效果表现，亦或是探索其他第三方库是否具备更强大的功能特性值得引入采用等问题都需要经过反复验证评估之后再做决定。 ---
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值