Anota una idea que puedas aplicar esta semana. Los pequeños cambios también cuentan.
Comparte tus dudas y descubrimientos con la comunidad.
Medir si la búsqueda trae la evidencia necesaria antes de generar texto.
Herramientas: OpenAI API o Anthropic API, Búsqueda documental. Puedes comenzar con búsqueda por palabras en archivos locales; embeddings o búsqueda alojada son una extensión con costos propios. No necesitas infraestructura vectorial para entender el flujo.
Un chunk es un fragmento de documento. Cortar por secciones suele conservar mejor el sentido que dividir a mitad de una regla. Un embedding representa texto numéricamente para comparar similitud; ayuda a buscar, pero similitud no garantiza relevancia.
Puedes empezar con búsqueda simple por palabras. Conserva el ID del documento y de la sección. Evalúa si el fragmento correcto aparece entre los primeros resultados. Si la búsqueda falla, mejorar el prompt de respuesta no arregla la falta de evidencia.
Diseña una búsqueda mínima sobre estos documentos. Devuelve fragmentos con document_id, section_id, version y texto. No generes respuesta todavía. Para cada pregunta compararemos si aparece la sección esperada.
Cambia una pregunta usando un sinónimo y observa si la búsqueda sigue encontrando la evidencia. Documenta cuándo necesitarías mejorarla.
Puedes separar “no encontró el documento” de “lo encontró pero respondió mal”. Los fragmentos conservan identificación y contexto suficiente.
Ajustar la respuesta sin inspeccionar lo recuperado. Mira primero qué información recibió el modelo.
Revisión editorial: 2026-10-15. Los nombres de botones, límites y funciones pueden variar según la cuenta; verifica la documentación antes de grabar.
Anota una idea que puedas aplicar esta semana. Los pequeños cambios también cuentan.
Comparte tus dudas y descubrimientos con la comunidad.