Elysia Tools
导航
AI Tools
对文档的候选 RAG 分块方案在四个维度上评分——连贯性（干净的分句/分段边界）、覆盖率（主题聚焦 / 关键词集中度）、上下文重叠健康度以及分块大小一致性——并排对比最多三种方案并推荐最优。纯离线启发式，无模型调用。
详情
面向 AI 工程师与文档问答团队的 RAG 分块评估器：
所有指标均为本地确定性启发式计算，无外部 API、无模型调用，结果可复现、迭代成本低。
执行
填写表单、运行工具，并在同一页面查看结果。
等待运行
案例
相关内容
工具使用指南
AI RAG 分块质量评分器是一款专为 AI 工程师和文档问答团队设计的本地评估工具。它通过连贯性、覆盖率、上下文重叠健康度以及分块大小一致性四个维度，对最多三种候选 RAG 分块方案进行确定性的启发式评分与并排对比，帮助您在不调用外部大模型 API 的情况下，快速找出最适合向量数据库索引的文档切分策略。
背景
正在为公司内部的开发者技术文档构建 RAG 问答系统，需要确定最适合技术文档的 Chunk Size。
问题
不确定 256、512 还是 1024 Token 的分块大小能更好地平衡检索精度与上下文完整性。
如何使用
将技术文档粘贴至文档框，单位设为“Token”，方法设为“按句子”，分别配置方案 A (256/32)、方案 B (512/64)、方案 C (1024/128)，展示视图选择“方案对比”。
单位: Token, 切分方法: 按句子, 方案A: 256/32, 方案B: 512/64, 方案C: 1024/128结果
评分器输出对比卡片，直观展示三种方案在连贯性与覆盖率上的得分，帮助工程师快速选出综合评分最高的 512 Token 方案。
背景
发现当前的 RAG 系统经常检索出被半路截断的句子，导致大模型回答时出现幻觉。
问题
需要量化定长切分与按句子对齐切分在语义连贯性上的差距，并向团队证明调整切分方法的必要性。
如何使用
输入测试文本，将切分方法设为“定长”，配置较小的分块大小（如 32/48/64），观察连贯性得分；随后切换为“按句子”切分进行对比。
单位: Token, 切分方法: 定长, 方案A: 32/4, 方案B: 48/6, 方案C: 64/8结果
评分器在定长切分下给出了极低的连贯性评分，并在明细视图中高亮标出了被截断的句子边界，为优化切分策略提供了直观的数据支持。
不需要。它完全基于本地确定性启发式算法运行，无任何外部 API 调用，结果可完全复现且无运行成本。
支持按字符、单词或近似 Token 进行计量，并提供定长切分（可能截断句子）、按句子对齐切分以及按段落对齐切分三种方法。
连贯性评估边界是否避开句中截断；覆盖率评估主题聚焦度；重叠健康度评估上下文衔接；一致性评估分块大小的均匀度。
因为定长切分容易在句子中间强行截断，破坏了语义的完整性，而按句子或段落对齐能保持更好的语义连贯性。
将展示视图（renderMode）切换为“最优方案明细”，即可在页面上直接查看带有边界标注的具体分块文本。