理解 Token 索引 vs 字符位置

以下是对“理解 Token 索引与字符位置的区别”的内容整理，条理清晰，结构完整，保持技术细节，方便阅读，无多余解释：

---

🔍 理解 Token 索引 vs 字符位置

文本分块方法中返回的索引是 token 索引，而不是原始文本中的字符位置。理解这一点对正确使用和调试文本处理流程至关重要。

---

📄 原始文本与 Tokenization 的区别

示例文本

"人工智能正在改变世界。"

字符位置（原始文本）

字符	人	工	智	能	正	在	改	变	世	界	。
位置	0	1	2	3	4	5	6	7	8	9	10

---

Token 位置（tokenizer 处理后）

Tokens = ["人", "工", "智", "能", "正", "在", "改", "变", "世", "界", "。"]
索引 =   [0,   1,   2,   3,   4,   5,   6,   7,   8,   9,   10]

---

🔢 各分块方法的返回值示例

---

1️⃣ 语义分块（chunk_semantically）

text = "人工智能正在改变世界。它使得许多任务自动化。"

Tokenizer 分词结果：

Tokens = ["人", "工", "智", "能", "正", "在", "改", "变", "世", "界", "。",
          "它", "使", "得", "许", "多", "任", "务", "自", "动", "化", "。"]
索引 =    [0,   1,   2,   3,   4,   5,   6,   7,   8,   9,   10,
           11,  12,  13,  14,  15,  16,  17,  18,  19,  20,  21]

假设返回值为：

[(0, 11), (11, 22)]

表示：

• 第1块：token索引 0-10，“人工智能正在改变世界。”
• 第2块：token索引 11-21，“它使得许多任务自动化。”

---

2️⃣ 固定大小分块（chunk_by_tokens）

text = "人工智能正在改变世界。它使得许多任务自动化。"
chunk_size = 5

返回值示例：

[(0, 5), (5, 10), (10, 15), (15, 20), (20, 22)]

表示：

• 第1块：token索引 0-4，“人工智能正在”
• 第2块：token索引 5-9，“改变世界。”
• 第3块：token索引 10-14，“它使得许多”
• 第4块：token索引 15-19，“任务自动化”
• 第5块：token索引 20-21，“。”

---

3️⃣ 按句子分块（chunk_by_sentences）

text = "人工智能正在改变世界。它使得许多任务自动化。我们需要适应这些变化。"

Tokenizer 分词结果假设为：

句子1："人工智能正在改变世界。" → token索引 0~10  
句子2："它使得许多任务自动化。" → token索引 11~21  
句子3："我们需要适应这些变化。" → token索引 22~33

设置每个块 1 个句子，返回值：

[(0, 11), (11, 22), (22, 34)]

---

❓ 为什么返回 token 索引？

原因	说明
✅ NLP 模型处理的是 token	模型输入必须是 token 序列，不能直接处理原始字符
✅ 精确控制长度	Token 数量直接决定能否通过模型输入限制（如 BERT 的 512 token）
✅ 对齐后续处理流程	向量化、分块拼接、交叉注意力等操作都基于 token 索引进行

---

🔁 实际代码中的字符位置 → Token 索引映射

部分关键转换流程如下：

# 从 splitter 获取字符级位置
nodes = [
    (node.start_char_idx, node.end_char_idx)
    for node in self.splitter.get_nodes_from_documents(...)
]

# token_offsets 是 tokenizer 返回的每个 token 的字符起止位置
start_chunk_index = bisect.bisect_left(
    [offset[0] for offset in token_offsets], char_start
)
end_chunk_index = bisect.bisect_right(
    [offset[1] for offset in token_offsets], char_end
)

最终输出的 (start_chunk_index, end_chunk_index) 就是基于 tokenizer 的 token 索引范围。