98 lines
3.8 KiB
TypeScript
98 lines
3.8 KiB
TypeScript
/**
|
||
* Token 估算工具 — 跨 Provider 通用
|
||
*
|
||
* 策略：智能字符估算，区分中文字符与 ASCII 字符
|
||
* - 中文字符（含全角标点、日韩文）：1 字符 ≈ 1.5 token
|
||
* - ASCII 字符（英文、数字、半角符号）：4 字符 ≈ 1 token
|
||
* - 其他 Unicode（emoji 等）：1 字符 ≈ 1 token
|
||
*
|
||
* 对比旧的 `length / 2` 方案：
|
||
* - 中文场景：估算准确度从 ~50% 提升到 ~90%
|
||
* - 英文场景：从偏低变为接近真实
|
||
* - 混合场景：更贴近实际 token 消耗
|
||
*
|
||
* 仍为估算值（无 tiktoken 依赖），但留了 80% 触发阈值的缓冲。
|
||
*/
|
||
|
||
// 中日韩统一表意文字 + 全角标点 + 日文假名 + 韩文谚文
|
||
const CJK_REGEX = /[\u4e00-\u9fff\u3400-\u4dbf\u3000-\u303f\uff00-\uffef\u3040-\u309f\u30a0-\u30ff\uac00-\ud7af]/;
|
||
|
||
/**
|
||
* L-17 修复: 提取魔法系数为命名常量，便于统一调整
|
||
* @see project_memory.md — Token estimation coefficients
|
||
*/
|
||
const CJK_TOKEN_RATIO = 1.5; // 中文字符（含全角标点、日韩文）：1 字符 ≈ 1.5 token
|
||
const ASCII_TOKEN_RATIO = 0.25; // ASCII 字符（英文、数字、半角符号）：4 字符 ≈ 1 token
|
||
const OTHER_TOKEN_RATIO = 1; // 其他 Unicode（emoji 等）：1 字符 ≈ 1 token
|
||
const MSG_OVERHEAD_TOKENS = 4; // 每条消息的结构性开销（role、分隔符，参考 OpenAI 规范）
|
||
|
||
/**
|
||
* 估算字符串的 token 数
|
||
* @param text 待估算的字符串（可为 null/undefined，视为 0 token）
|
||
* @returns 估算的 token 数
|
||
*/
|
||
export function estimateStringTokens(text: string | null | undefined): number {
|
||
if (!text || text.length === 0) return 0;
|
||
|
||
let cjkCount = 0;
|
||
let asciiCount = 0;
|
||
let otherCount = 0;
|
||
|
||
for (const ch of text) {
|
||
if (CJK_REGEX.test(ch)) {
|
||
cjkCount++;
|
||
} else if (ch.charCodeAt(0) < 128) {
|
||
asciiCount++;
|
||
} else {
|
||
otherCount++;
|
||
}
|
||
}
|
||
|
||
// L-17 修复: 使用命名常量替代魔法数字
|
||
return Math.ceil(cjkCount * CJK_TOKEN_RATIO + asciiCount * ASCII_TOKEN_RATIO + otherCount * OTHER_TOKEN_RATIO);
|
||
}
|
||
|
||
/**
|
||
* #50 修复: tool_call 结构开销（{"id":"","name":"","arguments":""} 等结构字符，参考 OpenAI 规范）
|
||
*/
|
||
const TOOL_CALL_OVERHEAD_TOKENS = 8;
|
||
|
||
/**
|
||
* 估算多条消息的总 token 数
|
||
*
|
||
* 每条消息额外加 4 token 的结构性开销（role、分隔符等，参考 OpenAI 规范）
|
||
*
|
||
* @param messages 消息列表（content 可为 null，对应仅有 tool_calls 的 assistant 消息）
|
||
* @returns 估算的 token 数
|
||
*/
|
||
export function estimateMessagesTokens(messages: Array<{
|
||
content: string | null;
|
||
reasoningContent?: string;
|
||
toolCalls?: Array<{ id?: string; name?: string; args: Record<string, unknown> }>;
|
||
toolCallId?: string;
|
||
}>): number {
|
||
let total = 0;
|
||
for (const msg of messages) {
|
||
total += estimateStringTokens(msg.content);
|
||
if (msg.reasoningContent) total += estimateStringTokens(msg.reasoningContent);
|
||
if (msg.toolCalls) {
|
||
for (const tc of msg.toolCalls) {
|
||
// #50 修复: OpenAI tokenizer 会将 tool_call 的完整结构（id、name、args）都计入 token
|
||
// 之前仅估算 args，忽略 id（通常 24 字符 call_xxx）和 name（通常 5-20 字符），导致每个 tool_call 少算 5-10 tokens
|
||
total += estimateStringTokens(tc.id ?? '');
|
||
total += estimateStringTokens(tc.name ?? '');
|
||
total += estimateStringTokens(JSON.stringify(tc.args ?? {}));
|
||
// 结构开销（{"id":"","name":"","arguments":""} 等结构字符）
|
||
total += TOOL_CALL_OVERHEAD_TOKENS;
|
||
}
|
||
}
|
||
// #50 修复: tool 消息的 tool_call_id 字段也计入 token
|
||
if (msg.toolCallId) {
|
||
total += estimateStringTokens(msg.toolCallId);
|
||
}
|
||
// L-17 修复: 使用命名常量替代魔法数字
|
||
total += MSG_OVERHEAD_TOKENS;
|
||
}
|
||
return total;
|
||
}
|