AI Tools
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.
Rufen Sie dieses Werkzeug aus Ihrem Code in drei Sprachen auf.
curl -X POST 'https://api.elysiatools.com/de/api/tools/ai-rag-chunk-quality-scorer' \
-H 'Content-Type: application/json' \
-d '{"document":"Retrieval-augmented generation combines a retriever and a language model. The retriever finds relevant passages in a knowledge base. Chunking strategy strongly affects retrieval quality. Smaller chunks are precise but lose context. Larger chunks carry context but dilute relevance. Overlap between chunks preserves context across boundaries. Evaluate several schemes before indexing.","unit":"tokens","method":"sentence","sizeA":256,"overlapA":32,"sizeB":512,"overlapB":64,"sizeC":1024,"overlapC":128,"renderMode":"comparison","precision":1}'Senden Sie eine POST-Anfrage mit Ihren Eingaben als JSON. Dateiparameter erfordern einen vorherigen Upload.
POST https://api.elysiatools.com/de/api/tools/ai-rag-chunk-quality-scorer| Name | Typ | Erforderlich | Beschreibung |
|---|---|---|---|
| document | textarea | Ja | — |
| unit | select | Nein | — |
| method | select | Nein | — |
| sizeA | number | Ja | — |
| overlapA | number | Nein | — |
| sizeB | number | Ja | — |
| overlapB | number | Nein | — |
| sizeC | number | Ja | — |
| overlapC | number | Nein | — |
| renderMode | select | Nein | — |
| precision | number | Ja | — |
HTML-Ergebnis
{
"result": "<div>Processed HTML content</div>",
"error": "Error message (optional)",
"message": "Notification message (optional)",
"metadata": {
"key": "value"
}
}Fügen Sie dieses Werkzeug Ihrem Model-Context-Protocol-Server hinzu, damit KI-Agenten es auflisten und aufrufen können.
Fügen Sie diesen Block Ihrer MCP-Client-Konfiguration hinzu:
{
"mcpServers": {
"elysiatools-ai-rag-chunk-quality-scorer": {
"name": "ai-rag-chunk-quality-scorer",
"description": "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.",
"baseUrl": "https://api.elysiatools.com/mcp/sse?toolId=ai-rag-chunk-quality-scorer",
"command": "",
"args": [],
"env": {},
"isActive": true,
"type": "sse"
}
}
}Nach dem Verbinden mit dem SSE-Endpunkt listen Sie die bereitgestellten Werkzeuge auf:
{
"jsonrpc": "2.0",
"id": 1,
"method": "tools/list"
}Rufen Sie das Werkzeug über seine ID auf; Argumente werden aus seiner Parameterliste gebildet:
{
"jsonrpc": "2.0",
"id": 2,
"method": "tools/call",
"params": {
"name": "ai-rag-chunk-quality-scorer",
"arguments": {
"document": "Retrieval-augmented generation combines a retriever and a language model. The retriever finds relevant passages in a knowledge base. Chunking strategy strongly affects retrieval quality. Smaller chunks are precise but lose context. Larger chunks carry context but dilute relevance. Overlap between chunks preserves context across boundaries. Evaluate several schemes before indexing.",
"unit": "tokens",
"method": "sentence",
"sizeA": 256,
"overlapA": 32,
"sizeB": 512,
"overlapB": 64,
"sizeC": 1024,
"overlapC": 128,
"renderMode": "comparison",
"precision": 1
}
}
}Fragen oder Probleme? Kontakt: [email protected]