AI Tools
Évalue les schémas candidats de découpage en chunks RAG d’un document sur quatre métriques — cohérence (frontières propres de phrase/paragraphe), couverture (focalisation thématique / concentration des termes clés), santé du chevauchement de contexte et cohérence des tailles — compare jusqu’à trois schémas et recommande le meilleur. Heuristiques hors ligne, sans appel à un modèle.
Appelez cet outil depuis votre code en trois langages.
curl -X POST 'https://api.elysiatools.com/fr/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}'Envoyez une requête POST avec vos entrées en JSON. Les paramètres de type fichier nécessitent un upload préalable.
POST https://api.elysiatools.com/fr/api/tools/ai-rag-chunk-quality-scorer| Nom | Type | Requis | Description |
|---|---|---|---|
| document | textarea | Oui | — |
| unit | select | Non | — |
| method | select | Non | — |
| sizeA | number | Oui | — |
| overlapA | number | Non | — |
| sizeB | number | Oui | — |
| overlapB | number | Non | — |
| sizeC | number | Oui | — |
| overlapC | number | Non | — |
| renderMode | select | Non | — |
| precision | number | Oui | — |
Résultat HTML
{
"result": "<div>Processed HTML content</div>",
"error": "Error message (optional)",
"message": "Notification message (optional)",
"metadata": {
"key": "value"
}
}Ajoutez cet outil à votre serveur Model Context Protocol pour que les agents IA puissent le lister et l'appeler.
Ajoutez ce bloc à la configuration de votre client MCP :
{
"mcpServers": {
"elysiatools-ai-rag-chunk-quality-scorer": {
"name": "ai-rag-chunk-quality-scorer",
"description": "Évalue les schémas candidats de découpage en chunks RAG d’un document sur quatre métriques — cohérence (frontières propres de phrase/paragraphe), couverture (focalisation thématique / concentration des termes clés), santé du chevauchement de contexte et cohérence des tailles — compare jusqu’à trois schémas et recommande le meilleur. Heuristiques hors ligne, sans appel à un modèle.",
"baseUrl": "https://api.elysiatools.com/mcp/sse?toolId=ai-rag-chunk-quality-scorer",
"command": "",
"args": [],
"env": {},
"isActive": true,
"type": "sse"
}
}
}Après connexion au point d'accès SSE, listez les outils exposés :
{
"jsonrpc": "2.0",
"id": 1,
"method": "tools/list"
}Appelez l'outil par son id ; les arguments sont construits à partir de ses paramètres :
{
"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
}
}
}Des questions ou un problème ? Contactez [email protected]