Decompose

🚀 分解工具（Decompose）

這是一款用於AI智能體的確定性文本分類工具，能夠瞬間將任意文本轉換為分類、結構化的語義單元，無需大語言模型，無需設置，只需一次函數調用。

🚀 快速開始

Decompose 是一個用於AI智能體的確定性文本分類工具。它可以立即將任何文本轉換為分類的、結構化的語義單元，無需大語言模型，無需設置，只需一次函數調用。

轉換前後示例

轉換前

The contractor shall provide all materials per ASTM C150-20. Maximum load
shall not exceed 500 psf per ASCE 7-22. Notice to proceed within 14 calendar
days of contract execution. Retainage of 10% applies to all payments.
For general background, the project is located in Denver, CO...

轉換後

[
  {
    "text": "The contractor shall provide all materials per ASTM C150-20.",
    "authority": "mandatory",
    "risk": "compliance",
    "type": "requirement",
    "irreducible": true,
    "attention": 8.0,
    "entities": ["ASTM C150-20"]
  },
  {
    "text": "Maximum load shall not exceed 500 psf per ASCE 7-22.",
    "authority": "prohibitive",
    "risk": "safety_critical",
    "type": "constraint",
    "irreducible": true,
    "attention": 10.0,
    "entities": ["ASCE 7-22"]
  }
]

每個單元都被分類，每個標準都被提取，每個風險都被評分，智能體能夠知道哪些內容是重要的。

✨ 主要特性

• 無需大語言模型：基於純正則表達式和啟發式算法運行，無需Ollama、API密鑰、GPU，也沒有推理成本。
• 快速：處理50頁的規範文件不到500ms。
• 確定性：相同的輸入始終產生相同的輸出。
• 離線可用：可以在斷網環境、飛機上或持續集成（CI）中使用。
• 可組合：智能體的大語言模型可以對結構化輸出進行推理，Decompose負責預處理。

📦 安裝指南

使用pip安裝

pip install decompose-mcp

💻 使用示例

作為MCP服務器使用

將以下內容添加到智能體的MCP配置（如Claude Code、Cursor、Windsurf等）中：

{
  "mcpServers": {
    "decompose": {
      "command": "uvx",
      "args": ["decompose-mcp", "--serve"]
    }
  }
}

智能體將獲得兩個工具：

• decompose_text — 分解任意文本
• decompose_url — 獲取URL並分解其內容

OpenClaw使用方式

從ClawHub安裝技能或直接配置：

{
  "mcpServers": {
    "decompose": {
      "command": "python3",
      "args": ["-m", "decompose", "--serve"]
    }
  }
}

或者安裝技能：clawdhub install decompose-mcp

作為命令行工具使用

# 通過管道輸入文本
cat spec.txt | decompose --pretty

# 內聯輸入
decompose --text "The contractor shall provide all materials per ASTM C150-20."

# 緊湊輸出（更小的JSON）
cat document.md | decompose --compact

作為庫使用

from decompose import decompose_text, filter_for_llm

result = decompose_text("The contractor shall provide all materials per ASTM C150-20.")

for unit in result["units"]:
    print(f"[{unit['authority']}] [{unit['risk']}] {unit['text'][:60]}...")

# 為大語言模型上下文進行預過濾 — 只保留高價值單元
filtered = filter_for_llm(result, max_tokens=4000)
print(f"{filtered['meta']['reduction_pct']}% token reduction")
llm_input = filtered["text"]  # 可直接用於大語言模型

📚 詳細文檔

各字段含義

基於此構建的應用

過濾：內置的大語言模型預過濾器

filter_for_llm() 會保留強制性、安全關鍵、財務和合規性單元，在內容到達大語言模型或向量存儲之前去除樣板內容。

from decompose import decompose_text, filter_for_llm

result = decompose_text(open("contract.md").read())
filtered = filter_for_llm(result, max_tokens=4000)

# filtered["text"] = 僅包含高價值單元，可直接用於大語言模型
# filtered["meta"]["reduction_pct"] = 去除的比例（通常為60 - 80%）

# 或者直接使用單元進行嵌入
for unit in filtered["units"]:
    embed_and_store(unit["text"], metadata={
        "authority": unit["authority"],
        "risk": unit["risk"],
        "attention": unit["attention"],
    })

路由：基於風險的處理

安全關鍵內容進入一個處理鏈，財務內容進入另一個處理鏈，樣板內容則被跳過。

from decompose import decompose_text

result = decompose_text(spec_text)

for unit in result["units"]:
    if unit["risk"] == "safety_critical":
        safety_chain.process(unit)       # 全面分析 + 人工審核
    elif unit["risk"] == "financial":
        audit_chain.process(unit)         # 標記給財務團隊
    elif unit["attention"] < 0.5:
        pass                              # 跳過樣板內容
    else:
        general_chain.process(unit)       # 標準大語言模型分析

測量：令牌成本降低

from decompose import decompose_text

result = decompose_text(spec_text)
total = len(result["units"])
high = [u for u in result["units"] if u["attention"] >= 1.0]

print(f"{len(high)}/{total} units need LLM analysis")
print(f"{100 - len(high) * 100 // total}% token reduction")

可運行的腳本示例請參見 。

🔧 技術細節

Decompose 基於純正則表達式和啟發式算法運行，沒有使用大語言模型，這使得它具有快速、確定性、離線可用和可組合等特性。其分類模式、實體提取和不可約性檢測經過了數千個實際AEC文檔（規範、合同、信息請求、檢查報告、付款申請）的測試。

📄 許可證

本項目採用MIT許可證 — 版權所有 (c) 2025 - 2026 Echology, Inc.

案例研究：開放聖經情報

同樣的分塊和實體提取模式既可以對工程規範進行分類，也可以對聖經進行結構化處理。開放聖經情報 使用 Decompose 的支持Markdown的分塊器和正則表達式實體提取功能，將31,100節經文轉換為一個包含344,799條交叉引用邊和語義嵌入的知識圖譜，證明了該方法的跨領域適用性。

博客文章

• 當正則表達式勝過大型語言模型 — Decompose 在3.78ms內對MCP規範進行分類
• 為什麼你的智能體需要認知原語 — 注意力評分、不可約性和路由
• “模擬感知”的真正含義 — AECai背後的架構