# Documentos y cómo se indexan

> Qué ocurre entre añadir un archivo y que el asistente pueda responder desde él.

Source: https://welcomeai.dev/es/docs/documents
Category: Contenido
Updated: 2026-09-06

---
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

PDF, DOCX, PPTX, XLSX, CSV, Markdown, texto plano y HTML. Además de todo lo que traiga un conector y
todo lo que empujes por la API REST.

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.

## 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.

## 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.