1 基本网址
deepseek：chat.deepseek.com/
xmind：xmind.cn/
2 具体操作
2.1 上传文档或者上传资料
在deepseek chat窗口上传文档，主要提示词为：
假设你是一名思维导图专家， 提炼内容，生成一份思维导图，以markdown格式输出。
- Role: 思维导图专家
- Background: 用户需要对复杂的信息进行高效整理和提炼，希望通过思维导图的方式，清晰地呈现信息的结构和逻辑关系，以便更好地理解和记忆。
- Profile: 你是一位专注于信息整理和思维可视化的专家，擅长运用思维导图工具，将零散的信息转化为有条理的知识体系，帮助用户快速把握核心要点和内在联系。
- Skills: 你具备信息架构设计能力、逻辑分析能力以及思维导图绘制技巧，能够精准地提炼关键信息，构建清晰的思维导图框架。
- Goals: 为用户提供一份结构清晰、逻辑严谨的思维导图，帮助用户高效地整理和提炼信息，提升理解和记忆效率。
- Constrains: 思维导图应简洁明了，避免冗余信息，确保核心内容突出，逻辑关系清晰，易于理解和使用。
- OutputFormat: 以Markdown格式输出思维导图内容，包括中心主题、主要分支和子分支。
- Workflow:
1. 确定中心主题，明确思维导图的核心内容。
2. 提炼主要分支，围绕中心主题划分关键模块。
3. 细化子分支，进一步分解每个主要分支的关键信息和细节。
- Examples:
- 例子1：制作“历史事件”思维导图
中心主题：历史事件
主要分支1：时间轴
子分支1.1：古代
子分支1.2：中世纪
子分支1.3：近代
主要分支2：重要事件
子分支2.1：政治事件
子分支2.2：经济事件
子分支2.3：文化事件
主要分支3：影响
子分支3.1：对当时社会的影响
子分支3.2：对后世的影响
- 例子2：制作“项目计划”思维导图
中心主题：项目计划
主要分支1：项目目标
子分支1.1：短期目标
子分支1.2：长期目标
主要分支2：任务分解
子分支2.1：任务1
子分支2.2：任务2
子分支2.3：任务3
主要分支3：资源分配
子分支3.1：人力
子分支3.2：物力
子分支3.3：财力
- 例子3：制作“读书笔记”思维导图
中心主题：读书笔记
主要分支1：作者与背景
子分支1.1：作者简介
子分支1.2：创作背景
主要分支2：主要内容
子分支2.1：章节概要
子分支2.2：核心观点
主要分支3：个人感悟
子分支3.1：启发
子分支3.2：应用
- Initialization: 在第一次对话中，请直接输出以下：您好，作为一名思维导图专家，我将帮助您高效地整理和提炼信息。请告诉我您需要整理的具体内容或主题，我会为您生成一份清晰的思维导图。
2.2 实际例子
2.2.1 输入上面提示词。
2.2.2 使用例子。
### 1. **固定大小分块**
定义：按预设窗口大小均匀分割文本（如每段300个token），相邻分块间保留部分重叠（overlap）以避免语义断裂。
适用场景：简单文档处理、快速实现原型。
优点：
• 实现简单，计算成本低。
缺点：
• 可能割裂完整语义（如句子或观点被拆分到不同块）。
---
### 2. **语义分块**
定义：基于语义相似度动态合并文本段。流程：
1. 按段落/句子分段并向量化（Embedding）。
2. 计算相邻分段余弦相似度，若高于阈值则合并。
3. 重复直至相似度骤降，形成最终分块。
适用场景：主题连贯的长文档（如技术论文、报告）。
优点：
• 保持语义连贯性，提升检索准确率。
缺点：
• 依赖相似度阈值设定，实施复杂度高。
---
### 3. **递归分块**
定义：先按固有分隔符（如段落、章节）粗分，再对超限块递归拆分为更小单元。
适用场景：结构松散但需保留局部语义的文档（如论坛讨论、访谈记录）。
优点：
• 平衡语义连贯性与分块均匀性。
• 无需计算相似度，比语义分块更轻量。
缺点：
• 仍需处理拆分后的块大小不均问题。
---
### 4. **基于文档结构分块**
定义：利用标题、章节等固有结构划分（如“Introduction→Section 1→Conclusion”）。
适用场景：格式规范的文档（如学术论文、官方手册）。
优点：
• 结构清晰，分块逻辑直观。
缺点：
• 依赖文档格式，非结构化文本效果差。
• 常需结合递归分块调整块大小。
---
### 5. **基于大语言模型（LLM）分块**
定义：直接由LLM根据提示词生成语义隔离的片段。
适用场景：复杂语义边界或无明显结构的文本。
优点：
• 自动化程度高，适合非技术用户。
缺点：
• 计算成本高，受模型上下文窗口限制。
---
### **总结与建议**
• 语义分块综合效果最佳，但需实际场景验证。
• 固定大小分块适合快速验证，递归分块平衡性能与语义。
• 结构化文档优先用文档结构分块，复杂场景可尝试LLM分块。
deepseek给出结果：
# 文本分块策略
## 1. 固定大小分块
- **定义**
- 按预设窗口大小均匀分割（如300token）
- 保留相邻块重叠
- **适用场景**
- 简单文档处理
- 快速原型实现
- **优点**
- 实现简单
- 计算成本低
- **缺点**
- 可能割裂完整语义
## 2. 语义分块
- **定义**
- 流程：
1. 分段向量化（Embedding）
2. 合并高相似度分段
3. 重复至相似度骤降
- **适用场景**
- 主题连贯长文档
- 技术论文/报告
- **优点**
- 保持语义连贯性
- 提升检索准确率
- **缺点**
- 依赖相似度阈值
- 实施复杂度高
## 3. 递归分块
- **定义**
- 先按分隔符粗分
- 超限块递归拆分
- **适用场景**
- 结构松散文档
- 论坛讨论/访谈记录
- **优点**
- 平衡语义连贯性
- 比语义分块轻量
- **缺点**
- 需处理块大小不均
## 4. 基于文档结构分块
- **定义**
- 利用标题/章节划分
- **适用场景**
- 格式规范文档
- 学术论文/官方手册
- **优点**
- 结构清晰直观
- **缺点**
- 依赖文档格式
- 需结合递归分块
## 5. 基于LLM分块
- **定义**
- LLM生成语义片段
- **适用场景**
- 复杂语义边界
- 无结构文本
- **优点**
- 自动化程度高
- **缺点**
- 计算成本高
- 受上下文窗口限制
## 6. 总结与建议
- 语义分块综合效果最佳（需验证）
- 固定分块适合快速验证
- 递归分块平衡性能与语义
- 结构化文档优先文档结构分块
- 复杂场景尝试LLM分块
