Qué es el chunking
Un modelo no puede leer toda tu documentación en cada pregunta. En RAG, los documentos se trocean, cada trozo se convierte en un embedding y, cuando alguien pregunta, se recuperan los trozos más relevantes. Si los trozos son demasiado grandes, llevan ruido; si son demasiado pequeños, pierden contexto.
Estrategias habituales
- Por tamaño fijo: cada X palabras o tokens, con algo de solapamiento entre trozos.
- Por estructura: respetando títulos, secciones, párrafos o artículos.
- Semántico: cortando donde cambia el tema.
- Con contexto añadido: cada trozo incluye el título del documento o un breve resumen de dónde viene.
Ejemplo real
Una empresa monta un asistente sobre su manual de producto. Al principio lo trocea cada 1.000 palabras y las respuestas mezclan información de productos distintos. Al trocearlo por secciones de producto, con el nombre del producto en cada fragmento, las respuestas pasan a ser precisas.
Para qué te sirve en tu negocio
Si montas un chatbot o un buscador interno con tus documentos, el chunking marca la diferencia entre un sistema útil y uno que confunde. La regla práctica: que cada fragmento se entienda por sí solo.
Errores comunes
- Cortar frases o tablas por la mitad.
- Perder el contexto: un fragmento que dice «el precio es 49 €» sin decir de qué.
- No probar con preguntas reales antes de dar el sistema por bueno.
Preguntas frecuentes
¿Qué tamaño de chunk es mejor?
Depende del contenido. Se suele empezar con unos cientos de palabras y ajustar probando.
¿Qué es el solapamiento?
Repetir una parte del final de un fragmento al principio del siguiente para no perder contexto.
¿Las herramientas no-code hacen chunking?
Sí. n8n y las plataformas de RAG lo incluyen, con opciones configurables.