# Bewerter für RAG-Chunk-Qualität Bewertet Kandidaten-Schemata für die RAG-Chunk-Aufteilung eines Dokuments nach vier Metriken — Kohärenz (saubere Satz-/Absatzgrenzen), Abdeckung (thematischer Fokus / Schlüsselwort-Konzentration), Gesundheit der Kontextüberlappung und Größenkonsistenz — vergleicht bis zu drei Schemata und empfiehlt das beste. Reine Offline-Heuristiken, keine Modellaufrufe. > Kanonische Seite: https://elysiatools.com/de/tools/ai-rag-chunk-quality-scorer - **Kategorie:** AI Tools - **Schlagwörter:** rag, chunking, chunk-größe, retrieval augmented generation, vektordatenbank, embeddings, semantisches chunking, query-abdeckung, kontextüberlappung, rag-bewertung, wissensbasis, dokumentaufteilung, llm ## Überblick Ein RAG-Chunking-Bewerter für KI- und Doku-QA-Teams: 1. **Dokument** — fügen Sie den zu indizierenden Quelltext ein. 2. **Einheit & Methode** — Zeichen, Wörter oder ≈Tokens; feste, satzweise oder absatzweise Aufteilung. 3. **Drei Kandidaten-Schemata** — legen Sie Größe und Überlapp für A, B und C fest. 4. **Bewertung** — jedes Schema erhält 0–100 für Kohärenz, Abdeckung, Überlapp und Konsistenz; Gesamt ist der Durchschnitt. 5. **Empfehlung** — wählt das Schema mit der höchsten Punktzahl, zeigt eine Vergleichstabelle und gliedert die Chunks des besten mit Grenzannotationen. Alle Metriken sind lokale deterministische Heuristiken, ohne API oder Modellaufrufe. ## Eingaben - **Dokumenttext** (textarea): Paste the document you want to chunk for RAG… - **Zähleinheit** (select) - **Aufteilungsmethode** (select) - **Schema A — Größe** (number): e.g. 256 - **Schema A — Überlapp** (number): e.g. 32 - **Schema B — Größe** (number): e.g. 512 - **Schema B — Überlapp** (number): e.g. 64 - **Schema C — Größe** (number): e.g. 1024 - **Schema C — Überlapp** (number): e.g. 128 - **Ansicht** (select) - **Dezimalstellen** (number): 1 ## Wann verwenden - Wenn Sie eine Wissensdatenbank für LLMs aufbauen und die optimale Chunk-Größe sowie Überlappung für Ihre Dokumente ermitteln möchten. - Wenn Sie die Kohärenzverluste bei der festen Zeichenaufteilung im Vergleich zu satz- oder absatzweisen Methoden analysieren wollen. - Wenn Sie ohne teure API-Aufrufe oder LLM-Evaluierungen schnell verschiedene Chunking-Konfigurationen vergleichen müssen. ## Funktionsweise - Fügen Sie den Quelltext Ihres Dokuments in das Textfeld ein und wählen Sie die gewünschte Zähleinheit (Zeichen, Wörter oder Tokens) sowie die Aufteilungsmethode. - Definieren Sie bis zu drei unterschiedliche Kandidaten-Schemata (A, B und C) mit den jeweiligen Werten für Chunk-Größe und Überlappung. - Das Tool berechnet lokal über deterministische Heuristiken die Scores für Kohärenz, Abdeckung, Überlappung und Konsistenz für jedes Schema. - Vergleichen Sie die Ergebnisse in der Scorecard-Tabelle oder wechseln Sie in die Detailansicht, um die genauen Chunk-Grenzen des am besten bewerteten Schemas zu analysieren. ## Anwendungsfälle - Optimierung der Chunk-Größe für technische Dokumentationen vor dem Import in eine Vektordatenbank wie Pinecone oder Milvus. - Vergleich von festen Chunk-Größen mit satzweisen Trennungsmethoden zur Vermeidung von abgeschnittenen Sätzen. - Feinabstimmung der Kontextüberlappung (Overlap), um sicherzustellen, dass wichtige Informationen an Chunk-Grenzen nicht verloren gehen. ## Häufig gestellte Fragen ### Benötigt dieser Bewerter eine Verbindung zu einem LLM oder einer externen API? Nein. Die Bewertung basiert vollständig auf lokalen, deterministischen Heuristiken und läuft komplett offline in Ihrem Browser ab. ### Was bedeuten die vier Bewertungsmetriken? Kohärenz bewertet saubere Satz- und Absatzgrenzen. Abdeckung prüft den thematischen Fokus. Überlappung bewertet die Kontextüberleitung und Konsistenz misst die Gleichmäßigkeit der Chunk-Größen. ### Welche Aufteilungsmethoden werden unterstützt? Sie können zwischen einer festen Größe (die Sätze trennen kann), einer satzweisen Aufteilung und einer absatzweisen Aufteilung wählen. ### Welche Zähleinheiten kann ich für die Chunk-Größe verwenden? Das Tool unterstützt die Einheiten Zeichen, Wörter und geschätzte Tokens (≈Tokens). ### Wie hilft mir die Detailansicht weiter? Sie zeigt Ihnen den Text des am besten bewerteten Schemas mit farblichen Markierungen an den Chunk-Grenzen, sodass Sie Trennungsfehler direkt sehen können. ## Ähnliche Tools - [PDF zu sauberem Text fuer LLM](https://elysiatools.com/de/tools/pdf-to-clean-text-for-llm): Extrahiert sauberen Text aus PDFs fuer Zusammenfassung, Uebersetzung, Embeddings und andere LLM-Workflows - [ECharts-Theme-Token-Extraktor](https://elysiatools.com/de/tools/echarts-theme-token-extractor): Extrahiert Design-Tokens — Farben, Zahlen, Schriftgrößen und Strings — aus einem ECharts-Theme-JSON und exportiert sie direkt in Ihr Design-System. Fügen Sie ein Theme-Objekt ein (das per echarts.init(dom, themeName) registriert wird) und das Werkzeug durchläuft jedes Leaf, taggt jede Farbe (optional Named/rgb → hex normalisiert), jeden Abstand, jede Schriftgröße und jeden String und gibt saubere CSS-Variablen, ein Tailwind theme.extend, ein Style Dictionary tokens.json oder SCSS-Variablen aus. Überbrückt die Lücke zwischen einem ECharts-Visualisierungs-Theme und Figma/CSS/Tailwind-Design-Tokens, ohne jeden Wert von Hand zu kopieren. - [PDF-Header-Footer-Rauschfilter](https://elysiatools.com/de/tools/pdf-header-footer-noise-remover): Vergleicht Extraktion mit und ohne Header/Footer, um wiederkehrendes Textrauschen zu erkennen - [KI-Textzusammenfasser - Intelligente Analyse](https://elysiatools.com/de/tools/text-summarizer): Extrahiert Schlüsselpunkte aus Artikeln und generiert qualitativ hochwertige Zusammenfassungen. Unterstützt mehrere Stile und Längen für wissenschaftliche Arbeiten, Nachrichten, Berichte und verschiedene Texttypen - [Winkelgeschwindigkeits-Umrechner (rad/s / rpm / deg/s / Hz)](https://elysiatools.com/de/tools/angular-velocity-converter): Winkelgeschwindigkeits-Umrechnung: rad/s (SI-Basis) ↔ U/min (1=2π/60 rad/s) ↔ Grad/s (1=π/180 rad/s) ↔ Hz (1 Umdrehung/s=2π rad/s). Hz hier = Umdrehung pro Sekunde. Umrechnung über rad/s mit allen vier Äquivalenten. Ref.: Vinyl 33⅓ U/min≈3,49 rad/s, Leerlauf ~800 U/min≈83,8 rad/s. - [BOM-Zeichen-Entferner](https://elysiatools.com/de/tools/data-bom-remover): BOM (Byte Order Mark) Zeichen aus Text- und Dateiinhalten entfernen. Perfekt zum Bereinigen von Textdateien mit Codierungsproblemen. - [Dauerfestigkeitsrechner (Goodman/Gerber/Soderberg)](https://elysiatools.com/de/tools/fatigue-limit-calculator): Sicherheitsfaktor bei Schwingfestigkeit mit Mittelspannungskorrektur. Bei σ_a, σ_m und σ_uts, σ_-1, σ_y liefern drei klassische Kriterien: modifizierte Goodman (linear, konservativ), Gerber (parabolisch, besser für zähe Werkstoffe), Soderberg (über σ_y, am konservativsten). Der kleinste Wert ist maßgebend; additionally ob der Punkt innerhalb der Goodman-Linie liegt. - [Freies-Wasser-Clearance-Rechner](https://elysiatools.com/de/tools/free-water-clearance): Berechnet die freie Wasser-Clearance (C_H₂O) und die elektrolytfreie Wasser-Clearance (eC_H₂O). Klassische Formel C_H₂O = V·(1−U_osm/P_osm): positiv = verdünnter Urin (Ausscheidung freien Wassers: Diabetes insipidus, Polydipsie, Erholung nach Wasserbelastung); negativ = konzentrierter Urin (Rückhaltung freien Wassers: Dehydratation, SIADH). Die elektrolytfreie Clearance eC_H₂O = V·(1−(U_Na+U_K)/P_Na) sagt Na-Änderungen besser voraus; negativ = Ausscheidung elektrolytfreien Wassers mit Tendenz zum Na-Anstieg (hilft bei Infusionen). Quellen: Rose, Shimizu 2002 Nephron, NephSIM. Punktuelle Schätzung; im klinischen Kontext interpretieren. Keine medizinische Beratung. ## Beispiele - [MP3 Audio-Beispiele ohne Urheberrechte](https://elysiatools.com/de/samples/mp3-samples): Sammlung urheberrechtsfreier Audio-Beispiele zum Testen und Entwickeln, einschließlich Naturklänge, Meditationsmusik und Umgebungsgeräusche - [Web Python Bildverarbeitung Beispiele](https://elysiatools.com/de/samples/web-image-processing-python): Web Python Bildverarbeitungsbeispiele mit PIL/Pillow einschließlich Lesen, Speichern, Skalieren und Formatkonvertierung - [SVG Beispiele](https://elysiatools.com/de/samples/svg-samples): Beispiele für skalierbare Vektorgrafiken (SVG), die verschiedene SVG-Funktionen und -Techniken demonstrieren - [Android Java Bildverarbeitungsbeispiele](https://elysiatools.com/de/samples/android-image-processing-java): Android Java Bildverarbeitungsbeispiele einschließlich Lesen/Schreiben, Skalierung und Formatkonvertierung ## Verwandte Inhalte - [Tools für RAG-Chunking, Korpusbereinigung und Retrieval-Vorbereitung](https://elysiatools.com/de/hubs/rag-chunking-retrieval-prep): Bündelt Chunk-Größen-Bewertung, Textbereinigung, OCR-Rettung, zitierfähigen Export und Token-Schätzung in einem Hub, um hochwertigere RAG-Sammlungen aufzubauen. - [Textfall-, Encoding- und Normalisierungs-Konvertierungs-Tools](https://elysiatools.com/de/hubs/text-convert): Vergleichen Sie Textfall-Konvertierung, Zeichenbreiten-Konvertierung, Encoding-Konvertierung, Quoted-Printable-Verarbeitung und Inline-Textnormalisierung in einem Hub. - [Text-Tools](https://elysiatools.com/de/hubs/text-utility): Entdecken Sie 33 text-Tools für utility-Workflows und vergleichen Sie ähnliche Utilities schnell. - [Textanalyse-, Lesbarkeits- und Inhaltsinspektions-Tools](https://elysiatools.com/de/hubs/text-analyze): Vergleichen Sie Textstatistik, Spracherkennung, Lesbarkeitsbewertung, Sentimentanalyse, Moderationsprüfung und Musteranalyse in einem Hub.