def fixed_size_chunk(text: str, chunk_size: int = 50) -> list[str]:
    """
    將文本按固定詞數進行切分。
    Args:
        text (str): 待切分的原始文本字符串。
        chunk_size (int): 每個文本塊所包含的詞語數量。
                          默認為 50 個詞。
    Returns:
        list[str]: 包含切分后文本塊的字符串列表。
    """
    words = text.split() 
    chunks = [" ".join(words[i:i+chunk_size]) for i in range(0, len(words), chunk_size)]
    return chunks
# --- 示例用法 ---
# 假設 pdf_text_example 是從 PDF 文檔中提取出的一個長文本內容
# 為了演示，我將使用一個足夠長的示例文本，但您可以替換為您的實際文本
pdf_text_example = """
在人工智能領域，檢索增強生成（RAG）技術已經成為構建實用、知識驅動的大型語言模型（LLM）應用的核心范式。它有效地彌合了模型靜態知識與動態外部信息之間的鴻溝，讓 LLM 能夠引用實時或領域特定的數據，極大地提高了回復的準確性和可靠性。然而，當我們邁向更復雜的 AI 應用時，僅僅依賴向量相似性搜索，在處理那些相互關聯、關系至關重要的數據時常常顯得力不從心。構建真正智能的代理或提供高度準確、理解上下文深度的回答，需要理解信息之間的‘聯系’，而不僅僅是‘相似’。這正是對下一代 RAG 應用的需求所在。支撐這些高級能力的數據庫，必須能夠同時處理向量相似性和復雜的結構化關系。HelixDB 應運而生，正是為了應對這一挑戰。它打破了傳統數據庫的界限，是一個革命性的開源圖向量數據庫，巧妙融合了圖數據庫強大的關系表達能力與向量數據庫高效的相似性搜索能力。HelixDB 旨在為下一代 RAG 應用提供一個更智能、更靈活的數據存儲基礎，讓你能夠基于內容相似性和結構化關系進行更豐富的上下文檢索。如果你正在探索 RAG 的未來，并尋求能夠同時處理向量和復雜關系的強大開源數據解決方案，那么理解 HelixDB 至關重要。通過本文，你將一文讀懂這款為下一代 RAG 應用量身打造的開源圖向量數據庫的核心理念、架構優勢以及它如何助力你的智能化創新。讓我們一起深入了解 HelixDB 的獨特之處吧！這是一個額外的句子，確保文本足夠長，可以被切分成多個塊，以演示第二個塊的打印。
"""
# 將文本按每50個詞語切分成塊
chunks_result = fixed_size_chunk(pdf_text_example, chunk_size=10)
print(f"原始文本被切分成了 {len(chunks_result)} 個塊。")
# --- 解決方案在這里：添加安全檢查 ---
# 嘗試打印第一個塊
if len(chunks_result) > 0:
    print("\n--- 第一個塊內容示例 ---")
    print(chunks_result[0])
else:
    print("\n--- 列表為空，無法打印第一個塊 ---")
# 嘗試打印第二個塊，先檢查列表長度是否至少有2個元素
if len(chunks_result) > 1:
    print("\n--- 第二個塊內容示例 ---")
    print(chunks_result[1])
else:
    print("\n--- 無法打印第二個塊，因為列表長度不足（少于2個塊） ---")
# 如果您想打印所有生成的塊，可以使用循環：
# print("\n--- 所有生成的文本塊 ---")
# for i, chunk in enumerate(chunks_result):
#     print(f"塊 {i}:")
#     print(chunk)
#     print("-" * 20)

[(base) lugalee@labs rag ]% /opt/homebrew/bin/python3 /Volumes/home/rag/fixedsiz.py
原始文本被切分成了 2 個塊。


--- 第一個塊內容示例 ---
在人工智能領域，檢索增強生成（RAG）技術已經成為構建實用、知識驅動的大型語言模型（LLM）應用的核心范式。它有效地彌合了模型靜態知識與動態外部信息之間的鴻溝，讓 LLM 能夠引用實時或領域特定的數據，極大地提高了回復的準確性和可靠性。然而，當我們邁向更復雜的 AI 應用時，僅僅依賴向量相似性搜索，在處理那些相互關聯、關系至關重要的數據時常常顯得力不從心。構建真正智能的代理或提供高度準確、理解上下文深度的回答，需要理解信息之間的‘聯系’，而不僅僅是‘相似’。這正是對下一代 RAG 應用的需求所在。支撐這些高級能力的數據庫，必須能夠同時處理向量相似性和復雜的結構化關系。HelixDB 應運而生，正是為了應對這一挑戰。它打破了傳統數據庫的界限，是一個革命性的開源圖向量數據庫，巧妙融合了圖數據庫強大的關系表達能力與向量數據庫高效的相似性搜索能力。HelixDB 旨在為下一代 RAG


--- 第二個塊內容示例 ---
應用提供一個更智能、更靈活的數據存儲基礎，讓你能夠基于內容相似性和結構化關系進行更豐富的上下文檢索。如果你正在探索 RAG 的未來，并尋求能夠同時處理向量和復雜關系的強大開源數據解決方案，那么理解 HelixDB 至關重要。通過本文，你將一文讀懂這款為下一代 RAG 應用量身打造的開源圖向量數據庫的核心理念、架構優勢以及它如何助力你的智能化創新。讓我們一起深入了解 HelixDB 的獨特之處吧！