قبل إرسال سلسلة نصية للتضمين، يمكنك تقدير عدد الرموز التي ستستخدمها عبر استخدام مكتبة OpenAI tiktoken لتقسيم النص إلى رموز.
هذا مفيد خصوصًا لأن نماذج التضمين (مثل text-embedding-3-small) لها حدود قصوى لعدد الرموز يجب الالتزام بها.
---
كيفية عدّ الرموز باستخدام Tiktoken
يمكنك استخدام حزمة Python tiktoken لحساب عدد الرموز التي ستولّدها سلسلة نصية.
إليك مقتطفًا نموذجيًا من التعليمات البرمجية:
import tiktoken
def num_tokens_from_string(string: str, encoding_name: str) -> int:
"""Returns the number of tokens in a text string."""
encoding = tiktoken.get_encoding(encoding_name)
num_tokens = len(encoding.encode(string))
return num_tokens
# Example usage
num_tokens = num_tokens_from_string("tiktoken is great!", "cl100k_base")
print(num_tokens)مهم:
بالنسبة إلى نماذج التضمين من الجيل الثالث (مثل
text-embedding-3-smallأوtext-embedding-3-large)، ينبغي استخدام ترميز"cl100k_base".قد تتطلب النماذج المختلفة ترميزات مختلفة — ارجع دائمًا إلى وثائق النموذج إذا لم تكن متأكدًا.
---
لماذا يهمّ عدّ الرموز
إذا تجاوزت السلسلة النصية الحد الأقصى لحجم إدخال النموذج، فسيفشل طلب API.
يضمن عدّ الرموز بدقة مسبقًا سير عمل تضمين أكثر سلاسة ويمنع الأخطاء أثناء المعالجة.
---