AI Tools
Evalúa esquemas candidatos de división en chunks RAG para un documento en cuatro métricas — coherencia (límites limpios de frase/párrafo), cobertura (foco temático / concentración de términos clave), salud del solape de contexto y consistencia de tamaño — compara hasta tres esquemas y recomienda el mejor. Heurísticas offline, sin llamadas a modelo.
Llama a esta herramienta desde tu código en tres lenguajes.
curl -X POST 'https://api.elysiatools.com/es/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}'Envía una petición POST con tus entradas en JSON. Los parámetros de tipo archivo requieren una subida previa.
POST https://api.elysiatools.com/es/api/tools/ai-rag-chunk-quality-scorer| Nombre | Tipo | Obligatorio | Descripción |
|---|---|---|---|
| document | textarea | Sí | — |
| unit | select | No | — |
| method | select | No | — |
| sizeA | number | Sí | — |
| overlapA | number | No | — |
| sizeB | number | Sí | — |
| overlapB | number | No | — |
| sizeC | number | Sí | — |
| overlapC | number | No | — |
| renderMode | select | No | — |
| precision | number | Sí | — |
Resultado HTML
{
"result": "<div>Processed HTML content</div>",
"error": "Error message (optional)",
"message": "Notification message (optional)",
"metadata": {
"key": "value"
}
}Añade esta herramienta a tu servidor Model Context Protocol para que los agentes de IA puedan listarla y llamarla.
Añade este bloque a la configuración de tu cliente MCP:
{
"mcpServers": {
"elysiatools-ai-rag-chunk-quality-scorer": {
"name": "ai-rag-chunk-quality-scorer",
"description": "Evalúa esquemas candidatos de división en chunks RAG para un documento en cuatro métricas — coherencia (límites limpios de frase/párrafo), cobertura (foco temático / concentración de términos clave), salud del solape de contexto y consistencia de tamaño — compara hasta tres esquemas y recomienda el mejor. Heurísticas offline, sin llamadas a modelo.",
"baseUrl": "https://api.elysiatools.com/mcp/sse?toolId=ai-rag-chunk-quality-scorer",
"command": "",
"args": [],
"env": {},
"isActive": true,
"type": "sse"
}
}
}Tras conectar al endpoint SSE, lista las herramientas expuestas:
{
"jsonrpc": "2.0",
"id": 1,
"method": "tools/list"
}Invoca la herramienta por su id; los argumentos se construyen a partir de sus parámetros:
{
"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
}
}
}¿Dudas o problemas? Contacta con [email protected]