AI Tools
Оценивает схемы разбиения на чанки RAG по четырём метрикам — связность (чистые границы предложений/абзацев), покрытие (тематический фокус / концентрация ключевых терминов), качество перекрытия контекста и Consistency размеров — сравнивает до трёх схем и рекомендует лучшую. Только локальные эвристики, без вызовов модели.
Вызовите этот инструмент из своего кода на трёх языках.
curl -X POST 'https://api.elysiatools.com/ru/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}'Отправьте POST-запрос с входными данными в JSON. Параметры типа «файл» требуют предварительной загрузки.
POST https://api.elysiatools.com/ru/api/tools/ai-rag-chunk-quality-scorer| Имя | Тип | Обязательный | Описание |
|---|---|---|---|
| document | textarea | Да | — |
| unit | select | Нет | — |
| method | select | Нет | — |
| sizeA | number | Да | — |
| overlapA | number | Нет | — |
| sizeB | number | Да | — |
| overlapB | number | Нет | — |
| sizeC | number | Да | — |
| overlapC | number | Нет | — |
| renderMode | select | Нет | — |
| precision | number | Да | — |
HTML-результат
{
"result": "<div>Processed HTML content</div>",
"error": "Error message (optional)",
"message": "Notification message (optional)",
"metadata": {
"key": "value"
}
}Добавьте этот инструмент на свой сервер Model Context Protocol, чтобы ИИ-агенты могли перечислять и вызывать его.
Добавьте этот блок в конфигурацию вашего MCP-клиента:
{
"mcpServers": {
"elysiatools-ai-rag-chunk-quality-scorer": {
"name": "ai-rag-chunk-quality-scorer",
"description": "Оценивает схемы разбиения на чанки RAG по четырём метрикам — связность (чистые границы предложений/абзацев), покрытие (тематический фокус / концентрация ключевых терминов), качество перекрытия контекста и Consistency размеров — сравнивает до трёх схем и рекомендует лучшую. Только локальные эвристики, без вызовов модели.",
"baseUrl": "https://api.elysiatools.com/mcp/sse?toolId=ai-rag-chunk-quality-scorer",
"command": "",
"args": [],
"env": {},
"isActive": true,
"type": "sse"
}
}
}После подключения к SSE-endpoint выведите список доступных инструментов:
{
"jsonrpc": "2.0",
"id": 1,
"method": "tools/list"
}Вызовите инструмент по его id; аргументы формируются из его параметров:
{
"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
}
}
}Вопросы или проблемы? Свяжитесь с [email protected]