Documentos y cómo se indexan

Un documento es una pieza de contenido: un archivo que subiste, una página que rastreamos, un artículo que envió un conector, un par de pregunta y respuesta que escribiste.

Qué puedes añadir

Cuatro formas, todas en Añadir fuente dentro de la base de conocimiento:

• Subir archivos. PDF, DOCX, PPTX, XLSX, CSV, Markdown, texto plano, HTML y JSON. Cada archivo se convierte en un documento.
• Añadir una página web. Una URL. La descargamos una vez, extraemos el contenido principal y lo indexamos. Para un sitio entero, usa el rastreador web.
• Añadir texto. Pega lo que quieras, Markdown incluido. Los encabezados ayudan al troceador a mantener el contexto, así que una política pegada con títulos se lee mejor que un muro de texto.
• Añadir un par de pregunta y respuesta. Una pregunta y su respuesta canónica, indexada como un documento propio. Es el arreglo más rápido cuando el asistente responde mal algo: escribe la respuesta que querías.

Además de todo lo que traiga un conector y todo lo que empujes por la API REST o el webhook de sincronización.

Un PDF que es un escaneo de papel no tiene texto dentro. No leemos imágenes, así que un documento escaneado llega vacío. Pásalo antes por un OCR: y te vas a enterar, porque un archivo que no podemos leer falla con "No text could be extracted from this document" en vez de quedarse ahí aparentando estar indexado.

El caso difícil es el intermedio: una presentación exportada como imágenes con un título por diapositiva nos da un poco de texto, se indexa sin problemas y después no responde casi nada. Cuando un documento sale con muy poco texto para lo que ocupa lo marcamos, y el aviso junto a su estado dice cuánto salió y qué hacer. Vuelve a exportarlo con texto seleccionable y reindexa.

Qué pasa después de añadirlo

1. Extracción. Sacamos el texto y conservamos la estructura: encabezados, listas, tablas y de qué página viene cada pasaje, para que una cita pueda decir "página 7".
2. Fragmentación. El texto se corta en pasajes de unos cientos de palabras con un poco de solape, para que una frase a caballo entre dos no se pierda.
3. Embedding. Cada fragmento se convierte en una lista de números que representa su significado. Es lo que hace que "¿me devuelven el dinero?" encuentre un párrafo sobre reembolsos.
4. Indexado. Ya se puede responder desde él.

Todo eso son segundos para una página y un minuto o dos para un PDF largo. El estado te dice por dónde va, y un fallo dice por qué en vez de quedarse en "procesando" para siempre.

Reindexar

Cambiar el tamaño de fragmento, el solape o el modelo de embedding cambia cómo se procesó cada documento, así que esos ajustes ofrecen reindexar la base. Cuesta tokens de embedding y unos minutos; nada deja de estar disponible mientras tanto.

Editar el texto de un documento reindexa solo ese.

Editar un par de pregunta y respuesta

Un par de pregunta y respuesta es el único documento que escribiste tú, así que es el que vas a querer cambiar. Su pregunta se edita en la lista, como cualquier otro título: haces clic, escribes y pulsas Enter. Su menú tiene Editar pregunta y respuesta para cambiar las dos a la vez.

Las dos formas reindexan el par, y tienen que hacerlo: en un par, la pregunta no es una etiqueta de la fila, es la primera línea de lo que se indexa. Es contra eso que el asistente compara lo que escribe un visitante. Cambiarla sin reindexar te mostraría la pregunta nueva y seguiría respondiendo a la vieja.

Editar conserva el documento. Su id, su historial y su lugar en cada respuesta que ya lo citó se quedan donde estaban, que es justo lo que borrar el par y volver a crearlo nunca podría hacer.

Reindexar se rechaza mientras ya hay una reindexación en curso, y durante cinco minutos desde que empezó la última. Cada pasada vuelve a leer y a vectorizar todos los documentos, así que el botón te dice cuánto falta en vez de hacer el trabajo dos veces en silencio.

Dejar que los visitantes descarguen un archivo

El menú de un documento tiene Visitors may download. Con esa opción activada, cuando el asistente cita ese documento en una respuesta, la cita ofrece el archivo en vez de la página de la que salió: así quien pregunta por tu presentación puede llevarse la presentación.

Tres cosas que conviene saber antes de activarlo:

• Vale para cualquiera que use ese widget, no solo para gente con sesión iniciada. Eso es lo que significa "visitantes", y es justo el sentido del ajuste.
• El archivo nunca recibe una dirección permanente. Cada descarga es un enlace que funciona cinco minutos y se comprueba en el momento de usarlo, así que un enlace copiado de una página deja de servir casi enseguida.
• Un documento del que el asistente no puede hablarle a un desconocido tampoco lo puede descargar un desconocido. Las dos reglas son la misma regla.

Desactivarlo tiene efecto inmediato.

Descargar lo que guardamos

El menú de cada documento tiene Descargar, y lo que te da depende de lo que haya.

Si es un archivo que subiste, te da el archivo: los mismos bytes, sin tocar.

Si lo trajo un conector -- un producto de Shopify, un elemento de Webflow, una página rastreada -- no hay archivo original que darte. Lo que guardamos es el texto que construimos a partir de su registro, y todo lo demás que sabemos vive al lado de ese texto: el stock de un producto, su proveedor, su estado, su handle, las URLs de sus imágenes, cuándo cambió por última vez. Así que la descarga es el registro completo: un archivo Markdown cuyo front matter lleva cada campo, seguido del contenido.

En una página rastreada ese contenido es la página en Markdown -- títulos, párrafos, listas y enlaces -- y no el HTML con el que llegó. La navegación, el pie, los logos incrustados y la analítica nunca formaron parte de lo que lee el asistente, y tampoco forman parte de lo que te llevas.

---
title: Merino crew neck
url: "https://acme.myshopify.com/products/merino-crew-neck"
source: Shopify
chunks: 3
commerce_kind: product
status: ACTIVE
vendor: Acme
total_inventory: 42
---

Nuestra propia contabilidad queda fuera: los hashes de contenido, la puntuación de calidad de la extracción y la nota sobre cualquier credencial encontrada en el texto. Eso va en la pantalla, no en un archivo que estás a punto de mandarle a alguien.

Borrar

Borrar un documento elimina sus fragmentos, sus embeddings y el archivo que guardamos. Es inmediato y no se recupera, y por eso la confirmación nombra el documento.

Borrar la fuente de la que vino es otra pregunta, y el producto la hace: puedes quitar una conexión y conservar sus documentos, que suele ser lo que quieres -- dejan de actualizarse y siguen respondiendo.

Dos cosas que conviene saber

Más no es mejor. Una base con tus diez páginas más claras responde mejor que una con doscientas páginas de todo, porque la recuperación tiene menos casi-aciertos entre los que elegir. Una versión antigua de una política es peor que ninguna política.

Los títulos importan más de lo que parece. Son lo que muestra una cita, y un documento llamado "Sin título" o "export-final-2.pdf" hace que una respuesta parezca poco fiable aunque sea correcta. El título también se busca, así que un archivo con un nombre que dice lo que es -- "lista de precios 2026" en vez de "doc3" -- lo puede encontrar alguien que lo pida por su nombre, aunque esas palabras no aparezcan en ninguna parte de su interior.