feat(mcp-go): RAG 语义切块 —— 递归 + 句界 + 重叠 + rune 安全
替换朴素切块（按行切 + 字节硬截）为工业级语义切块： - 修真 bug：旧版 s[:2000] 按字节切，中文 UTF-8（3 字节/字）会被切碎成乱码； 新版全程按 rune 操作。 - 算法：splitToAtoms（换行/中英句末标点切原子，超大无标点原子按 rune 窗口兜底） → packAtoms（贪心打包到 target=500 字、句末收口，尾块 <100 字并入相邻） → addOverlap（块间 80 字重叠，保跨块上下文）。硬上限 1000。 - chunk.go 独立成文件 + chunk_test.go（空/短/rune安全/大小上界/句界/重叠/超大无标点）。 收益：检索片段语义完整（不再断句）、中文不乱码、跨块上下文不丢 → RAG 召回质量。 make test-go 全绿。后续可加 Markdown 标题路径前缀（结构化文档增强）。 Co-Authored-By: Claude Opus 4.8 (1M context) <noreply@anthropic.com>
This commit is contained in:
Blizzard
@@ -0,0 +1,137 @@
|
||||
package rag
|
||||
|
||||
import (
|
||||
"strings"
|
||||
)
|
||||
|
||||
// 切块参数（针对中文 + embedding token 上限调过；后续可配置化）。
|
||||
const (
|
||||
chunkTargetRunes = 500 // 目标大小：贪心打包到接近此值就在句界收口
|
||||
chunkOverlapRunes = 80 // 块间重叠：保跨块上下文连续
|
||||
chunkMinRunes = 100 // 最小块：低于则并入相邻，避免碎块稀释向量
|
||||
chunkMaxRunes = 1000 // 原子硬上限：超大无标点段落兜底窗口切
|
||||
)
|
||||
|
||||
// chunk 把文本切成检索友好的语义块：按段落/句界切成原子 → 贪心打包到目标大小（句末收口）
|
||||
// → 块间加重叠。全程按 rune 操作，杜绝中文 UTF-8 被字节切碎。
|
||||
func chunk(text string) []string {
|
||||
atoms := splitToAtoms(text)
|
||||
packed := packAtoms(atoms, chunkTargetRunes, chunkMinRunes)
|
||||
return addOverlap(packed, chunkOverlapRunes)
|
||||
}
|
||||
|
||||
// splitToAtoms 把文本切成"原子"（句子/行）：在换行与句末标点处断开，去空白；
|
||||
// 超大无标点原子按 rune 窗口兜底切到 ≤ 目标大小。原子是打包的最小不可分单元。
|
||||
func splitToAtoms(text string) []string {
|
||||
runes := []rune(strings.ReplaceAll(text, "\r\n", "\n"))
|
||||
var atoms []string
|
||||
start := 0
|
||||
flush := func(end int) {
|
||||
if s := strings.TrimSpace(string(runes[start:end])); s != "" {
|
||||
atoms = append(atoms, s)
|
||||
}
|
||||
start = end
|
||||
}
|
||||
for i := 0; i < len(runes); i++ {
|
||||
r := runes[i]
|
||||
switch {
|
||||
case r == '\n' || isCJKEnd(r):
|
||||
flush(i + 1)
|
||||
case r == '.' || r == '!' || r == '?' || r == ';':
|
||||
// ASCII 句末：仅当其后为空白/行尾才断（避开缩写、小数点）。
|
||||
if i+1 >= len(runes) || runes[i+1] == ' ' || runes[i+1] == '\n' {
|
||||
flush(i + 1)
|
||||
}
|
||||
}
|
||||
}
|
||||
flush(len(runes))
|
||||
|
||||
out := make([]string, 0, len(atoms))
|
||||
for _, a := range atoms {
|
||||
if runeLen(a) <= chunkMaxRunes {
|
||||
out = append(out, a)
|
||||
} else {
|
||||
out = append(out, splitByRuneWindow(a, chunkTargetRunes)...)
|
||||
}
|
||||
}
|
||||
return out
|
||||
}
|
||||
|
||||
// packAtoms 贪心打包：把原子拼进当前块，直到再加会超 target 就收口（块在句界结束）。
|
||||
// 末尾过小的块（< min）并入前一块，避免碎块。
|
||||
func packAtoms(atoms []string, target, min int) []string {
|
||||
var chunks []string
|
||||
var cur strings.Builder
|
||||
curLen := 0
|
||||
closeCur := func() {
|
||||
if curLen > 0 {
|
||||
chunks = append(chunks, cur.String())
|
||||
cur.Reset()
|
||||
curLen = 0
|
||||
}
|
||||
}
|
||||
for _, a := range atoms {
|
||||
al := runeLen(a)
|
||||
if curLen > 0 && curLen+al > target {
|
||||
closeCur()
|
||||
}
|
||||
if curLen > 0 {
|
||||
cur.WriteByte('\n')
|
||||
curLen++
|
||||
}
|
||||
cur.WriteString(a)
|
||||
curLen += al
|
||||
}
|
||||
if curLen > 0 {
|
||||
if n := len(chunks); n > 0 && curLen < min {
|
||||
chunks[n-1] = chunks[n-1] + "\n" + cur.String() // 尾块太小 → 并入上一块
|
||||
} else {
|
||||
chunks = append(chunks, cur.String())
|
||||
}
|
||||
}
|
||||
return chunks
|
||||
}
|
||||
|
||||
// addOverlap 给每块前缀上一块尾部的 overlap 个 rune，保跨块上下文连续（首块不加）。
|
||||
func addOverlap(chunks []string, overlap int) []string {
|
||||
if overlap <= 0 || len(chunks) <= 1 {
|
||||
return chunks
|
||||
}
|
||||
out := make([]string, len(chunks))
|
||||
out[0] = chunks[0]
|
||||
for i := 1; i < len(chunks); i++ {
|
||||
prev := []rune(chunks[i-1])
|
||||
tail := prev
|
||||
if len(prev) > overlap {
|
||||
tail = prev[len(prev)-overlap:]
|
||||
}
|
||||
out[i] = strings.TrimSpace(string(tail)) + "\n" + chunks[i]
|
||||
}
|
||||
return out
|
||||
}
|
||||
|
||||
func isCJKEnd(r rune) bool {
|
||||
switch r {
|
||||
case '。', '！', '？', '；', '…':
|
||||
return true
|
||||
}
|
||||
return false
|
||||
}
|
||||
|
||||
// splitByRuneWindow 按 rune 窗口硬切（兜底：超大无标点原子），保证不切碎多字节字符。
|
||||
func splitByRuneWindow(s string, size int) []string {
|
||||
r := []rune(s)
|
||||
var out []string
|
||||
for len(r) > size {
|
||||
if t := strings.TrimSpace(string(r[:size])); t != "" {
|
||||
out = append(out, t)
|
||||
}
|
||||
r = r[size:]
|
||||
}
|
||||
if t := strings.TrimSpace(string(r)); t != "" {
|
||||
out = append(out, t)
|
||||
}
|
||||
return out
|
||||
}
|
||||
|
||||
func runeLen(s string) int { return len([]rune(s)) }
|
||||
@@ -0,0 +1,122 @@
|
||||
package rag
|
||||
|
||||
import (
|
||||
"strings"
|
||||
"testing"
|
||||
"unicode/utf8"
|
||||
)
|
||||
|
||||
func TestChunkEmpty(t *testing.T) {
|
||||
if got := chunk(" \n\n "); len(got) != 0 {
|
||||
t.Fatalf("空白文本应切出 0 块，得 %d", len(got))
|
||||
}
|
||||
}
|
||||
|
||||
func TestChunkShort(t *testing.T) {
|
||||
got := chunk("这是一句很短的话。")
|
||||
if len(got) != 1 || !strings.Contains(got[0], "很短") {
|
||||
t.Fatalf("短文本应为单块，得 %v", got)
|
||||
}
|
||||
}
|
||||
|
||||
// TestChunkRuneSafe 是核心：中文必须按 rune 切，绝不能切碎出乱码（旧版按字节切的 bug）。
|
||||
func TestChunkRuneSafe(t *testing.T) {
|
||||
// 1500 个汉字、无标点 → 触发窗口兜底切；每块必须是合法 UTF-8。
|
||||
text := strings.Repeat("中", 1500)
|
||||
for _, c := range chunk(text) {
|
||||
if !utf8.ValidString(c) {
|
||||
t.Fatalf("切出非法 UTF-8（中文被字节切碎）：%q", c)
|
||||
}
|
||||
for _, r := range c {
|
||||
if r != '中' && !strings.ContainsRune("\n ", r) {
|
||||
t.Fatalf("出现意外字符 %q，疑似切碎", r)
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
|
||||
func TestChunkSizeBounds(t *testing.T) {
|
||||
// 多段中文，每段以句号结尾。
|
||||
var sb strings.Builder
|
||||
for i := 0; i < 60; i++ {
|
||||
sb.WriteString("这是用于测试切块大小上界的一个中文句子片段。")
|
||||
}
|
||||
for i, c := range chunk(sb.String()) {
|
||||
if n := runeLen(c); n > chunkTargetRunes+chunkOverlapRunes+1 {
|
||||
t.Fatalf("第 %d 块 %d 字，超过 target+overlap=%d", i, n, chunkTargetRunes+chunkOverlapRunes+1)
|
||||
}
|
||||
}
|
||||
}
|
||||
|
||||
func TestChunkSentenceBoundary(t *testing.T) {
|
||||
var sb strings.Builder
|
||||
for i := 0; i < 80; i++ {
|
||||
sb.WriteString("第一句话在这里。第二句话也在这里。")
|
||||
}
|
||||
chunks := chunk(sb.String())
|
||||
if len(chunks) < 2 {
|
||||
t.Fatalf("长文本应切出多块，得 %d", len(chunks))
|
||||
}
|
||||
// 多数块应以句号收口（允许重叠导致的少量例外）。
|
||||
endsWell := 0
|
||||
for _, c := range chunks {
|
||||
if strings.HasSuffix(strings.TrimSpace(c), "。") {
|
||||
endsWell++
|
||||
}
|
||||
}
|
||||
if endsWell < len(chunks)/2 {
|
||||
t.Fatalf("多数块应在句末收口，仅 %d/%d", endsWell, len(chunks))
|
||||
}
|
||||
}
|
||||
|
||||
func TestChunkOverlap(t *testing.T) {
|
||||
var sb strings.Builder
|
||||
for i := 0; i < 60; i++ {
|
||||
sb.WriteString("用于验证相邻块之间存在上下文重叠的中文句子。")
|
||||
}
|
||||
chunks := chunk(sb.String())
|
||||
if len(chunks) < 2 {
|
||||
t.Skip("未切出多块，跳过重叠校验")
|
||||
}
|
||||
// 第 2 块开头应包含第 1 块尾部的一小段（重叠）。
|
||||
prevTail := []rune(chunks[0])
|
||||
tail := string(prevTail[max0(len(prevTail)-chunkOverlapRunes):])
|
||||
// 取尾部一小片做包含判断（去掉可能的换行）。
|
||||
probe := strings.TrimSpace(tail)
|
||||
if len(probe) > 10 {
|
||||
probe = probe[len(probe)-10:]
|
||||
}
|
||||
if probe != "" && !strings.Contains(chunks[1], strings.TrimSpace(string([]rune(probe)))) {
|
||||
// 重叠是按 rune 尾部，probe 是字节尾部，宽松校验：第二块前缀应与首块尾部有交集
|
||||
if !strings.HasPrefix(strings.TrimSpace(chunks[1]), strings.TrimSpace(tail)) {
|
||||
t.Logf("重叠片段:%q\n块2前缀:%q", tail, []rune(chunks[1])[:min0(40, runeLen(chunks[1]))])
|
||||
t.Fatalf("相邻块未见重叠")
|
||||
}
|
||||
}
|
||||
}
|
||||
|
||||
func TestChunkOversizedNoPunct(t *testing.T) {
|
||||
text := strings.Repeat("x", 3000) // 无标点超大块
|
||||
chunks := chunk(text)
|
||||
if len(chunks) < 3 {
|
||||
t.Fatalf("3000 字无标点应窗口切成多块，得 %d", len(chunks))
|
||||
}
|
||||
for _, c := range chunks {
|
||||
if runeLen(c) > chunkTargetRunes+chunkOverlapRunes+1 {
|
||||
t.Fatalf("窗口切块超界：%d", runeLen(c))
|
||||
}
|
||||
}
|
||||
}
|
||||
|
||||
func max0(n int) int {
|
||||
if n < 0 {
|
||||
return 0
|
||||
}
|
||||
return n
|
||||
}
|
||||
func min0(a, b int) int {
|
||||
if a < b {
|
||||
return a
|
||||
}
|
||||
return b
|
||||
}
|
||||
@@ -6,7 +6,6 @@ import (
|
||||
"context"
|
||||
"errors"
|
||||
"log"
|
||||
"strings"
|
||||
"sync"
|
||||
|
||||
"github.com/sundynix/sundynix-shared/contract"
|
||||
@@ -252,19 +251,4 @@ func (e *Engine) Close() {
|
||||
e.graph.close(context.Background())
|
||||
}
|
||||
|
||||
// chunk 朴素切块：按行切，去空白；过长再按长度切。真实系统应做版面/语义切块。
|
||||
func chunk(text string) []string {
|
||||
var out []string
|
||||
for _, line := range strings.Split(text, "\n") {
|
||||
s := strings.TrimSpace(line)
|
||||
if s == "" {
|
||||
continue
|
||||
}
|
||||
for len(s) > 2000 {
|
||||
out = append(out, s[:2000])
|
||||
s = s[2000:]
|
||||
}
|
||||
out = append(out, s)
|
||||
}
|
||||
return out
|
||||
}
|
||||
// chunk 的实现已移到 chunk.go（递归 + 句界 + 重叠 + rune 安全的语义切块）。
|
||||
|
||||
Reference in New Issue
Block a user