Preparar documentos para IA
Una buena base de conocimientos comienza con documentos limpios y actualizados.
lo que aprenderás
- Explique: los buenos documentos vienen antes que las buenas respuestas
- Aplique la idea en un ejemplo: Preparación de documentos para IA
- Reconocer las limitaciones y verificar el resultado del ejercicio.
Una buena base de conocimientos comienza con documentos limpios y actualizados. El modelo no puede decidir de forma independiente qué política conflictiva es válida.
Puedes seguir este curso sin cuenta ni programación. Los ejemplos utilizan datos sintéticos y es necesario comprobar los resultados de la IA.
Cómo funciona, paso a paso
Los buenos documentos vienen antes que las buenas respuestas
Prepare texto legible, títulos claros, tablas con encabezados y fuentes sin duplicados innecesarios. La fragmentación divide un documento en pasajes recuperables por separado; La superposición preserva la continuidad entre los vecinos. Un trozo pequeño puede perder condiciones, mientras que uno grande introduce ruido. Los metadatos conservan la fuente, la posición y la versión, además del alcance del acceso cuando lo exija la implementación. Cargar almacena el archivo; la indexación hace que se pueda buscar. Cuando una fuente cambia, verifique que los fragmentos antiguos desaparezcan y se recuperen los nuevos antes de declarar actual la base de conocimientos.
La fluidez y la verdad se verifican por separado.
Una alucinación es un contenido incorrecto o sin fundamento presentado como respuesta. Puede surgir por falta de información, ambigüedad o patrones combinados incorrectamente. Solicite evidencia y verifique el documento original, fecha, unidades y condiciones. Es posible que una cita real aún no respalde el reclamo. Utilice fuentes actuales para hechos actuales, una calculadora para aritmética y “no pueda determinar” cuando faltan pruebas. No trate la confianza expresada en prosa como una probabilidad calibrada.
Comprobar el acceso antes de su uso.
Los servidores y la capa de datos deben hacer cumplir los permisos. No permita que el modelo decida si un usuario puede ver un documento. Filtre las fuentes antes de que entren en contexto, no después de generar la respuesta. Utilice credenciales de acceso mínimo, manténgalas alejadas de mensajes, capturas de pantalla y códigos del navegador, y rote las claves expuestas. Una lista de dominios permitidos de widget no reemplaza la autenticación API. La autenticación le identifica; La autorización determina las operaciones y los datos que puede utilizar. Pruebe también el acceso denegado.
El esquema explicativo
Siga las flechas sólidas para el flujo principal. Las flechas azules discontinuas proporcionan datos o contexto; Las flechas discontinuas de color rosa muestran comentarios o resultados devueltos. Colores y formas distinguen modelos, tiendas, decisiones y resultados. En pantallas pequeñas, desplázate horizontalmente para seguir todo el esquema.
Un ejemplo completo
Un PDF antiguo dice 30 días; la política actual dice 14. Marque las versiones, conserve la fuente actual y elimine el duplicado caducado del corpus activo.
Pruébalo tú mismo
- Limpia dos políticas en conflicto y una tabla sin encabezados.
- Registre la entrada, la fuente y el resultado esperado antes de ejecutar el experimento. Utilice únicamente los datos ficticios del ejemplo.
- Siga las etapas del diagrama. En cada paso registre qué información se recibe y se produce; No confunda el resultado intermedio con el resultado final.
- Repita después de eliminar la información necesaria o hacer que la entrada sea ambigua. Compruebe si el sistema aclara, detiene o inventa una respuesta.
- Comparar con la solución explicada. Conserve la configuración, fecha, resultado y una explicación de las diferencias. Cambie una cosa y vuelva a probar.
Una solución explicada
El corpus activo contiene una política identificable sin versiones conflictivas. Un ejercicio exitoso le permite mostrar la conexión entre los aportes, las etapas y el resultado. Cuando falta información, una respuesta cautelosa es más útil que detalles inventados. Compare más que estilo: compruebe también las condiciones, las fuentes y las operaciones.
Cuándo resulta útil y cuáles son sus límites
No cargue documentos confidenciales simplemente para un experimento. Elija este enfoque cuando mejore una necesidad medida. Mantenga una línea de base simple y compare los resultados utilizando insumos idénticos. Un ejemplo exitoso no establece confiabilidad en todas las situaciones.
Comprueba lo que has aprendido
¿La carga completa significa que un documento está listo para RAG?
No. La extracción, la fragmentación y la indexación también deben completarse correctamente.
¿Es suficiente un enlace en una respuesta?
No; debe respaldar el reclamo específico y adaptarse al momento y las circunstancias.
¿Qué resultado debería producir este ejercicio?
El corpus activo contiene una política identificable sin versiones conflictivas.
Términos que conviene recordar
- Pedazo: Un pasaje de documento que se puede recuperar por separado.
- Toma de tierra: Fundamentar una respuesta en evidencia verificable.
- Autorizar / Autorización: Comprobar el derecho de acceso a una operación o recurso.
Fuentes y su próximo paso
- Lewis et al. — Generación aumentada de recuperación
- Hugging Face — LLM Course
- OWASP — Inyección de instrucciones
Para preparar: R01 — ¿Qué es RAG y para qué sirve? · R03 — Naive RAG: tu línea de base