AI Tools
Avalia esquemas candidatos de divisão em chunks RAG para um documento em quatro métricas — coerência (limites limpos de frase/parágrafo), cobertura (foco temático / concentração de termos-chave), saúde da sobreposição de contexto e consistência de tamanho — compara até três esquemas e recomenda o melhor. Heurísticas offline, sem chamadas de modelo.
Chame esta ferramenta a partir do seu código em três idiomas.
curl -X POST 'https://api.elysiatools.com/pt/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}'Envie uma requisição POST com suas entradas em JSON. Parâmetros do tipo arquivo exigem upload prévio.
POST https://api.elysiatools.com/pt/api/tools/ai-rag-chunk-quality-scorer| Nome | Tipo | Obrigatório | Descrição |
|---|---|---|---|
| document | textarea | Sim | — |
| unit | select | Não | — |
| method | select | Não | — |
| sizeA | number | Sim | — |
| overlapA | number | Não | — |
| sizeB | number | Sim | — |
| overlapB | number | Não | — |
| sizeC | number | Sim | — |
| overlapC | number | Não | — |
| renderMode | select | Não | — |
| precision | number | Sim | — |
Resultado HTML
{
"result": "<div>Processed HTML content</div>",
"error": "Error message (optional)",
"message": "Notification message (optional)",
"metadata": {
"key": "value"
}
}Adicione esta ferramenta ao seu servidor Model Context Protocol para que agentes de IA possam listá-la e chamá-la.
Adicione este bloco à configuração do seu cliente MCP:
{
"mcpServers": {
"elysiatools-ai-rag-chunk-quality-scorer": {
"name": "ai-rag-chunk-quality-scorer",
"description": "Avalia esquemas candidatos de divisão em chunks RAG para um documento em quatro métricas — coerência (limites limpos de frase/parágrafo), cobertura (foco temático / concentração de termos-chave), saúde da sobreposição de contexto e consistência de tamanho — compara até três esquemas e recomenda o melhor. Heurísticas offline, sem chamadas de modelo.",
"baseUrl": "https://api.elysiatools.com/mcp/sse?toolId=ai-rag-chunk-quality-scorer",
"command": "",
"args": [],
"env": {},
"isActive": true,
"type": "sse"
}
}
}Após conectar ao endpoint SSE, liste as ferramentas expostas:
{
"jsonrpc": "2.0",
"id": 1,
"method": "tools/list"
}Invoque a ferramenta pelo seu id; os argumentos são construídos a partir de seus parâmetros:
{
"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
}
}
}Dúvidas ou problemas? Contate [email protected]