# Chunker de texto para RAG

URL: https://shahid09.is-a.dev/es/tools/rag-text-chunker/
Author: Muhammad Shahid (https://shahid09.is-a.dev/)
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.

## 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://shahid09.is-a.dev/es/tools/llm-token-counter/)
- [Por qué un bot pequeño puede prescindir de la base de datos vectorial](https://shahid09.is-a.dev/engineering/whatsapp-ai-support-bot-claude-nodejs/)
- [Contratar a un desarrollador de RAG y agentes de IA](https://shahid09.is-a.dev/hire/ai-agent-developer/)