Guía de preparación para RAG
Un PDF no queda listo para RAG solo por extraerlo
La recuperación útil depende del orden, los encabezados, las tablas, la procedencia, los límites de chunk y la calidad medida de las respuestas.
Por qué ayuda Markdown
Markdown hace explícitos encabezados, listas, bloques de código y tablas. Esas marcas son más fáciles de revisar y dividir que las coordenadas de un PDF. La conversión no resuelve la recuperación; crea una representación intermedia que se puede auditar.
Conserva la procedencia
Guarda el nombre del origen, límite de página, versión y fecha de conversión junto a cada chunk. Los comentarios de página del PDF escaneado ayudan a rastrear una respuesta hasta el escaneo. No los elimines antes de crear citas estables.
Divide desde la estructura
- Divide en encabezados significativos antes de aplicar un límite de tokens.
- Mantén una tabla con su leyenda y párrafo explicativo.
- Repite el encabezado útil más cercano en los metadatos.
- Usa un solapamiento pequeño solo cuando frases o listas crucen el límite.
- No mezcles documentos para llenar un tamaño objetivo.
Mide la extracción antes de recuperar
| Prueba | Qué significa el fallo |
|---|---|
| Precisión de encabezados | Los chunks pueden perder tema o jerarquía |
| Orden de lectura | Columnas y barras laterales pueden intercalarse |
| Celdas de tabla | Una cifra puede quedar asociada a la etiqueta equivocada |
| Procedencia de página | La respuesta no se puede verificar contra el origen |
Evalúa con preguntas reales
Crea un conjunto pequeño de preguntas con respuesta y página conocidas. Mide si la recuperación devuelve el pasaje correcto y si la respuesta lo cita. Incluye tablas, notas, columnas y escaneos. Un Markdown más bonito no demuestra una mejor recuperación.
Empieza con el conversor de PDF digital o el conversor OCR de PDF escaneado y conserva el origen para verificar.