Empacotador de Contexto IA

Divida código, documentos ou transcrições longos em fragmentos numerados conscientes do modelo para Claude, GPT, Gemini ou Llama. Tokens e custo.

Tem feedback? Reporte bugs, sugira recursos ou compartilhe suas ideias — lemos todos

O Que É o Empacotador de Contexto IA?

Quando você precisa que um LLM raciocine sobre um documento, base de código ou transcrição longa que excede sua janela de chat, você tem duas escolhas: atualizar seu modelo ou dividir a entrada em fragmentos conscientes de contexto e alimentá-los sequencialmente. Esta ferramenta faz a segunda — rápido, grátis e no seu navegador. Cole ou faça upload de texto, escolha seu modelo alvo (Claude, GPT-4o, GPT-5, Gemini, Llama ou um limite personalizado), e o empacotador emite blocos numerados '## Fragmento i de N' dimensionados para caber confortavelmente sob a janela de contexto do modelo.

Características Principais

Predefinições para Claude (200K e 1M), GPT-4o (128K), GPT-5 (256K), Gemini 2.5 (2M), Llama 3.3 (128K)
Limite de tokens personalizado para qualquer outro modelo ou implantação Llama/Mistral local
Divisor inteligente que respeita títulos markdown, depois parágrafos, depois linhas, antes de recorrer a cortes duros
Sobreposição configurável (0-50%) para que fragmentos consecutivos compartilhem contexto final — melhora coerência
Estimativa de tokens ao vivo (~3,7 caracteres/token, a heurística documentada da OpenAI precisa em ±10% para código e inglês)
Visualização de custo de entrada usando preços por milhão de tokens públicos atuais
Cópia de um clique por fragmento com cabeçalho markdown '## Fragmento i de N' auto-gerado
Carrega até 50MB de arquivo local — txt, md, json, csv, log, html, css, js, ts, py, go e mais

Empacotador de Contexto IA — Divida código, documentos ou transcrições longos em fragmentos numerados conscientes do modelo para Claude, GPT, Gemini — **Empacotador de Contexto IA**

Como Usar

Cole seu texto longo na caixa de origem (ou clique em Carregar Arquivo para fazer upload do disco)
Escolha o modelo alvo — o tamanho do fragmento é padronizado em 25% do contexto máximo do modelo
Ajuste o tamanho se quiser prompts menores e mais focados (fragmentos menores = mais turnos mas melhor recall)
Defina sobreposição para 5-15% para prosa, 0% para código (a sobreposição pode confundir em entrada estruturada)
Escolha uma estratégia — Inteligente funciona para 95% das entradas; use Linhas para arquivos de log, Parágrafos para prosa
Clique em Empacotar, depois copie cada um em ordem e cole no seu modelo com contexto breve

Perguntas Frequentes

Cada modelo usa um tokenizador diferente: GPT-4/5 usa cl100k_base, GPT-3.5 usava p50k, Claude usa o tokenizador proprietário da Anthropic, Gemini usa SentencePiece, e Llama 3 usa seu próprio vocabulário 128K. Executar todo tokenizador no lado cliente significaria enviar mais de 5MB de WebAssembly. A heurística de ~3,7 caracteres/token é o que a OpenAI publica nos documentos e é precisa dentro de ±10% para texto em inglês e código típico — bom o suficiente para planejamento de tamanho onde você geralmente deixa 10-20% de margem.

Regra prática: 0% para código ou dados estruturados (XML, JSON, CSV), 5-10% para documentos técnicos, 15-25% para prosa, transcrições e notas de reunião. A sobreposição ajuda o modelo a manter continuidade através dos limites de fragmentos. Mas sobreposição demais custa tokens E diz ao modelo coisas contraditórias se ele vir a mesma passagem duas vezes com contexto diferente. 10% é um padrão sensato.

Melhor prática: envie uma mensagem 'sistema' primeiro descrevendo o que vem, depois fragmentos em ordem. Exemplo: 'Vou enviar uma base de código longa dividida em 8 fragmentos. Leia cada um e só responda OK após cada. Quando eu disser PRONTO, resuma a arquitetura.' Depois cole cada fragmento literalmente (o cabeçalho ## Fragmento i de N diz ao modelo onde está). Após o último, envie sua pergunta real.

Principalmente sim. Ele divide em títulos markdown (#, ##, ###) primeiro, depois parágrafos de linha em branco, depois linhas individuais, depois cortes duros apenas como último recurso. Código cercado em ``` não será dividido no meio do bloco a menos que um único bloco exceda o tamanho do fragmento — caso em que cai para divisão linha a linha. Para funções únicas muito longas, considere pré-processar com uma ferramenta como ts-prune ou astgrep para extrair subgrafos relevantes.

O custo mostrado é APENAS custo de ENTRADA — enviar seu texto para o modelo uma vez. NÃO inclui: (1) tokens de saída do modelo (tipicamente 3-10× mais caros que entrada), (2) envios repetidos se você reenviar fragmentos para perguntas de acompanhamento, (3) descontos de cache de prompt (Claude e OpenAI agora oferecem 50-90% de desconto em prefixo cacheado), ou (4) descontos de API batch (50% off se puder esperar 24h).

Sim, mas com ressalvas. Para embeddings (text-embedding-3, voyage-3, etc.) os tamanhos de fragmento são tipicamente 500-1500 tokens — muito menores que o empacotamento de contexto de chat. Defina o tamanho para 1000 e sobreposição para 100 (10%) para um pipeline RAG padrão. O divisor inteligente consciente de parágrafos é adequado porque a recuperação RAG funciona melhor quando cada fragmento representa uma unidade semântica coerente.

50MB de texto bruto via o seletor de arquivos, que é aproximadamente 13 milhões de tokens — muito além do contexto de qualquer modelo atual. O navegador lida com até ~100MB de texto em um textarea sem travar em hardware moderno. Se você tem entradas maiores (bases de código inteiras, arquivos de log de vários GB), pré-processe com grep/ripgrep ou um script do lado do servidor para extrair o slice relevante antes de carregar.

Veja também