LLM 文本分割器
20,000 Token 的文本按 8,000 Token 的上限拆分，至少需要 3 部分（20,000 ÷ 8,000，向上取整），段落和句末留下空隙时会再多几部分。粘贴你的文本即可看到实际的分段和 Token 数。
使用方法
- 粘贴文本。从预设（常用大小或模型上下文窗口）中选上限，或自己输入，并为指令和回复预留一些 Token。
- 想让每部分以“Part 1/N”开头，就打开页眉，你和模型都不会弄乱顺序。
- 逐段复制，或一次下载为一个 TXT 文件，或每部分一个文件的 ZIP。
计算方法
每部分最多容纳“Token 上限减去预留 Token”。Token 在浏览器里用 js-tiktoken 的 o200k_base 表（GPT-4o、GPT-4.1、GPT-5 系列）计数。
在放得下的最大自然边界处切分：先是段落间的空行，再是换行，然后是句末（. ! ? 以及中日韩标点），最后是词间空格。相邻片段被装进同一部分，直到下一片放不下，并核对拼接后文本的真实 Token 数。
打开页眉后，每部分前面会加一行“Part i/N”和一个空行，并计入上限。最长页眉所需的位置会先预留，所以不会有部分超限。
只有比整个上限还长的单个词才会被从中间切开，常见于 base64 或网址这类很长的无空格字符串。工具会告诉你发生了几次。
ZIP 在浏览器里生成，不压缩，每部分一个 TXT 文件。
常见问题
为什么要为 LLM 拆分文本？
提示词连同回复必须放进上下文窗口。文本太长时，可以加上“Part 1/3”这样的页眉分批发送，并请模型收齐所有部分后再回答。
Part 页眉怎么用？
先发一条说明，例如：“我会把一段长文分成 N 部分发送。在我说发完之前，只回复 OK。”然后按顺序粘贴各部分。页眉能让顺序一目了然。
对 Claude 或 Gemini 也精确吗？
只有 OpenAI 的 o200k_base 是精确的。Claude 和 Gemini 的分词方式不同，也没有公开离线分词器，数字可能有出入。可用“预留 Token”留出余量。
各部分之间会重叠吗？
不会。各部分依次相接，不重复文字。需要用于检索的重叠窗口时，请用 RAG 分块计算器。
我的文本会被上传吗？
不会。拆分、计数和下载都在浏览器内完成，只有分词表会从本站下载一次。