Chunking y reranking: los héroes anónimos de un buen RAG

Chunking: decidir qué es un fragmento

Un sistema de recuperación no almacena documentos enteros. Almacena fragmentos, llamados chunks, y busca sobre esos fragmentos. El chunking es el paso que trocea tus documentos.

Suena mecánico, pero decide en silencio qué puede encontrar el sistema. Si cortas demasiado grande, un fragmento contiene varios datos sin relación entre sí. Su embedding se convierte en una mezcla difusa de todos ellos, así que no coincide con nada con precisión y, cuando se recupera, arrastra material irrelevante al limitado contexto del modelo. Si cortas demasiado pequeño, un fragmento pierde el contexto necesario para tener sentido. "Cerrado los lunes" no sirve de nada si el fragmento ya no dice qué está cerrado.

Cómo es un buen chunking

El objetivo es un fragmento que sea una unidad de significado única y autónoma. Un dato, una política, una respuesta, con suficientes palabras alrededor para sostenerse por sí sola. En la práctica, eso suele significar fragmentar siguiendo límites naturales: un encabezado y su párrafo, una única entrada de FAQ, una fila de una tabla con sus etiquetas, en lugar de cortar cada trescientas palabras sin importar dónde caiga la frase.

Por eso también ayuda tanto que el origen tenga estructura. Una página ya redactada como afirmaciones claras y separadas se fragmenta sola. Una página escrita como una narración continua hay que cortarla de forma arbitraria, y los cortes arbitrarios caen en los lugares equivocados.

La recuperación te da candidatos, no respuestas

Cuando llega una pregunta, la búsqueda vectorial devuelve los fragmentos cuyo significado está más cerca de ella. Es rápida y amplia. También es aproximada. Los veinte primeros resultados suelen ser una mezcla del fragmento correcto, varios casi aciertos sobre el mismo tema y unos pocos que coincidieron por una similitud superficial. Entregar los veinte al modelo desperdicia contexto e invita a la confusión.

Reranking: una segunda mirada, más cuidadosa

El reranking es una segunda pasada que toma esos candidatos y puntúa cada uno específicamente frente a la pregunta, normalmente con un modelo creado justo para esta comparación. A diferencia de la primera búsqueda, que comparaba la pregunta con cada fragmento de forma económica, el reranker observa de cerca un puñado de pares y se pregunta: ¿responde este fragmento realmente a esta pregunta?

El resultado es una lista corta reordenada. El fragmento genuinamente relevante sube arriba, los casi aciertos bajan y solo los mejores pasan al modelo de lenguaje. La recuperación lanza una red amplia. El reranking elige el pez.

Por qué importan los dos juntos

El chunking y el reranking van en pareja. Los buenos fragmentos ofrecen al reranker candidatos limpios y de un solo propósito que juzgar. Un buen reranking perdona cierto descuido en la recuperación al rescatar el fragmento correcto aunque quedara en quinto lugar. Los sistemas que se saltan el reranking suelen quedar bien en las demos y empeoran en el uso real, porque las preguntas reales son más desordenadas que las de una demo y el primer resultado no es de forma fiable el correcto.

Qué significa esto para tu contenido

No puedes controlar cómo la IA de otra persona fragmenta o reordena. Sí puedes controlar si tu contenido sobrevive al proceso. Escribe cada dato importante como una unidad clara propia, con suficiente contexto para que tenga sentido por sí solo. Mantén juntos los datos relacionados y separados los que no lo están. Expresa la respuesta concreta con palabras claras en lugar de insinuarla a lo largo de un párrafo.

Hazlo y tu contenido se fragmentará con limpieza, se recuperará con precisión y subirá a lo más alto en el reranking cuando sea la respuesta correcta. Omítelo y la información correcta puede estar en tu sitio y aun así no llegar nunca al modelo.