بدون هزینهٔ API · پردازش روی دستگاه · Character chunking
بخش‌بندی متن برای پرامپت
متن را بدون حذف محتوا به بخش‌های دارای سقف نویسه تقسیم کنید.
مدل محلی، یادگیری و دستیارهای سند
مدل عصبی، دسته‌بند قابل آموزش و ابزار آماری با برچسب جدا مشخص‌اند. ورودی روی دستگاه می‌ماند؛ فایل مدل با اجرای ابزار دریافت می‌شود.
متن و تنظیمات
حداکثر ۶۴ کیلوبایت؛ محلی
نتیجهٔ تحلیل
متن را وارد کنید یا نمونه را امتحان کنید.
روش و محدودیت‌ها
برای هر بخش ۵۰۰ تا ۴۰۰۰ نویسهٔ UTF-16 انتخاب کنید. فاصله یا خط جدید در نیمهٔ دوم بخش ترجیح داده می‌شود؛ وگرنه برش در سقف و بدون شکستن جفت جانشین انجام می‌شود. اتصال آرایهٔ chunks در JSON متن اولیه را دقیق بازسازی می‌کند؛ این شمارش توکن مدل نیست.
پردازش در Web Worker انجام می‌شود. ورودی و نتیجه هنگام خروج از صفحه یا پاک‌کردن حذف می‌شوند و در ذخیره‌سازی مرورگر نگهداری نمی‌شوند؛ فایل دانلودشده روی دستگاه باقی می‌ماند.
راهنمای همین ابزار
چگونه از بخش‌بندی متن برای پرامپت استفاده کنیم؟
- متن خود را وارد یا از نمونهٔ همین ابزار استفاده کنید.
- تنظیمات موجود را انتخاب کنید؛ اگر ابزار ورودی دوم دارد، آن را نیز وارد کنید.
- تحلیل را اجرا و نتیجه و توضیح روش را قبل از استفاده بررسی کنید.
مثال قابل آزمایش
ورودی نمونه
فروشگاه اینترنتی برای جلب اعتماد مشتری به اطلاعات دقیق محصول نیاز دارد. عکس مناسب محصول به مشتری کمک می‌کند جزئیات را ببیند. کاهش حجم عکس باعث بارگذاری سریع‌تر صفحهٔ محصول می‌شود. سرعت سایت تجربهٔ خرید مشتری را بهتر می‌کند. توضیحات دقیق محصول باید شامل جنس، ابعاد و روش استفاده باشد. توضیحات محصول باید روشن و قابل فهم باشد. مشتری پیش از خرید شرایط ارسال و مرجوعی را بررسی می‌کند. ثبت نظر مشتریان هم می‌تواند به تصمیم خرید کمک کند.
خروجی نمونه
بخش 1 (431) فروشگاه اینترنتی برای جلب اعتماد مشتری به اطلاعات دقیق محصول نیاز دارد. عکس مناسب محصول به مشتری کمک می‌کند جزئیات را ببیند. کاهش حجم عکس باعث بارگذاری سریع‌تر صفحهٔ محصول می‌شود. سرعت سایت تجربهٔ خرید مشتری را بهتر می‌کند. توضیحات دقیق محصول باید شامل جنس، ابعاد و روش استفاده باشد. توضیحات محصول باید روشن و قابل فهم باشد. مشتری پیش از خرید شرایط ارسال و مرجوعی را بررسی می‌کند. ثبت نظر مشتریان هم می‌تواند به تصمیم خرید کمک کند.