Chunking de documentos en español

Parte un reglamento real en fragmentos útiles para búsqueda y RAG, por artículos y por tamaño con traslape, divide oraciones en español sin romper abreviaturas y agrega encabezados y metadatos que mejoran la recuperación.

Hasta ahora trabajaste con doce artículos cortos y bien separados, algo que en la vida real casi nunca pasa. Mariana recibió del Consejo el reglamento completo en un archivo de Word convertido a texto: capítulos en mayúsculas, artículos de una línea y otros de media página, fracciones, abreviaturas como "Art." y "Lic.". Si conviertes el documento entero en un solo embedding, la búsqueda devuelve "el reglamento" para cualquier pregunta, lo cual no sirve. Si lo partes cada 200 caracteres, cortas palabras y oraciones a la mitad.

Qué verás en esta lección

1. Qué hace bueno a un fragmento
2. El error clásico: cortar por caracteres
3. El reglamento de ejemplo
4. Paso 1: partir por estructura
5. Paso 2: dividir oraciones en español
6. Paso 3: partir por tamaño con traslape
7. Paso 4: encabezados y metadatos
8. Detalles del español y de los documentos reales
9. Práctica
10. Resumen
11. Quiz