ellmos-ai 中文 —
document-chunker官方中文版本。
Document Chunker (中文)
将文档切分为重叠的 Token 块。针对 RAG 管道和 LLM 上下文窗口进行了优化。 零依赖 — 仅使用 Python 标准库 + re。
使用方法
作为库使用
from document_chunker import DocumentChunker
chunker = DocumentChunker(chunk_size=400, overlap=80)
chunks = chunker.chunk_text("Long text...")
for chunk in chunks:
print(f"Chunk {chunk['chunk_id']}: {chunk['tokens']} tokens")
切分单文件
chunks = chunker.chunk_document("document.md", source="My Project")
切分整个目录
from document_chunker import chunk_corpus
chunks = chunk_corpus(["doc1.md", "doc2.txt"], source="Corpus")
CLI
python document_chunker.py document.md # Single file
python document_chunker.py ./docs/ # Entire directory
参数
| 参数 | 默认值 | 说明 |
|---|---|---|
| chunk_size | 400 | 每个块的最大 Token 数 |
| overlap | 80 | 块之间的重叠 Token 数 |
支持的文件类型
.txt, .md, .py, .sh
变更日志
1.0.0 (2026-03-12)
- 移植自 BACH system/tools/document_chunker.py