# Chunker de texto para RAG

URL: https://byshahid.com/es/tools/rag-text-chunker/
Author: Muhammad Shahid (https://byshahid.com/)
Herramienta gratis · funciona en tu navegador

Divide un documento en chunks para generación aumentada por recuperación (RAG), con el tamaño y el solapamiento que elijas, y revisa cada chunk.

**Respuesta rápida:** En RAG, los documentos se dividen en chunks que se convierten en embeddings y se guardan para búsqueda vectorial. Chunks de unos 200 a 800 tokens con un 10 a 20% de solapamiento son un punto de partida habitual. Esta herramienta divide por párrafos y frases para no cortar ideas por la mitad, y repite el final de cada chunk al principio del siguiente como solapamiento.

## Cómo usarla

1. **Pega tu documento.** Texto plano o Markdown.
2. **Ajusta el tamaño y el solapamiento.** En tokens estimados (unos 4 caracteres cada uno).
3. **Revisa y copia.** Mira cada chunk con su tamaño y cópialos todos como JSON.

## Ejemplo

Un manual dividido en fragmentos con solapamiento, copiado como JSON:

Entrada:

```
Un manual en inglés de 6.000 palabras (unos 8.000 tokens)
Tamaño de fragmento: 400 tokens · Solapamiento: 50 tokens
```

Salida:

```
[
  "1. Introduction. This handbook explains how support requests are handled…",
  "…are handled from first contact to resolution. 2. Opening hours…",
  …
]

Unos 23 fragmentos de hasta 400 tokens cada uno
```

## Errores comunes y cómo solucionarlos

- **La entrada es demasiado larga para el modelo de embeddings**: Un fragmento supera lo que acepta el modelo de embeddings. Baja el tamaño de fragmento para que el mayor quepa con margen.
- **Las respuestas omiten información que está en el documento**: Los fragmentos son demasiado pequeños para llevar contexto, o la frase clave quedó cortada. Prueba fragmentos más grandes o más solapamiento, y añade el título del documento a cada fragmento.
- **La búsqueda devuelve el mismo texto dos veces**: Un solapamiento grande pone las mismas frases en fragmentos vecinos. Bájalo al 10–20 % o elimina duplicados tras la recuperación.
- **Las tablas y el código salen rotos**: Dividir por frases corta filas y bloques de código. Mantén tablas y bloques de código como fragmentos propios.

## Preguntas frecuentes

### ¿Cuál es el mejor tamaño de chunk para RAG?

No hay uno único. De 200 a 800 tokens es un inicio habitual; los chunks pequeños dan coincidencias más precisas y los grandes conservan más contexto. Pruébalo con tus propias preguntas.

### ¿Por qué solapar los chunks?

Para que una frase o idea en el borde de un chunk también aparezca en el siguiente y no se pierda si solo se recupera uno de ellos.

### ¿Los chunks deben seguir los párrafos?

Sí, cuando sea posible. Dividir por párrafos y frases mantiene cada chunk legible y con sentido.

### ¿Siempre necesito RAG?

No. Si tus documentos caben en la ventana de contexto del modelo, enviarlos directamente con caché de prompts es más sencillo y a menudo más preciso.

### ¿Se sube mi documento?

No. La división se hace en tu navegador.

### ¿Qué es RAG?

Generación aumentada por recuperación: para cada pregunta se buscan los fragmentos más relevantes de tus documentos y se dan al modelo, para que la respuesta se base en tus datos.

### ¿Qué son los embeddings?

Listas de números que representan el significado de un texto. Los textos parecidos obtienen números parecidos, y así la búsqueda vectorial encuentra los chunks relevantes.

### ¿Debo añadir títulos o metadatos a cada chunk?

Sí. Añadir el título del documento, el encabezado de la sección o la fuente a cada chunk mejora la recuperación y permite citar de dónde sale cada respuesta.

### ¿Cuántos chunks debo recuperar por pregunta?

Normalmente de 3 a 10: suficientes para cubrir la respuesta sin llenar el prompt de texto que no viene al caso. Pruébalo con preguntas reales.

### ¿El tamaño del chunk influye en el coste?

Sí. Chunks más grandes y más chunks recuperados significan más tokens de entrada en cada pregunta.

## Relacionado

- [Contador de tokens para LLM](https://byshahid.com/es/tools/llm-token-counter/)
- [Por qué un bot pequeño puede prescindir de la base de datos vectorial](https://byshahid.com/engineering/whatsapp-ai-support-bot-claude-nodejs/)
- [Contratar a un desarrollador de RAG y agentes de IA](https://byshahid.com/hire/ai-agent-developer/)

## Fuentes

- [Anthropic Docs: Embeddings](https://platform.claude.com/docs/en/build-with-claude/embeddings)