Hack the HydraMarkdown o texto plano para RAG
En breve: indexa Markdown. Casi no cuesta tokens extra, y sus títulos y tablas permiten dividir según la estructura del documento y añadir el contexto de sección a cada fragmento, lo que en general mejora la recuperación frente a fragmentos de tamaño fijo en texto plano. Usa texto plano solo cuando la fuente no tenga ninguna estructura.
Free PDF to Markdown converter →
¿Qué aporta Markdown?
- Límites: los títulos marcan dónde empiezan y terminan los temas, así que los fragmentos no cortan una sección por la mitad.
- Contexto: la ruta de títulos («Facturación > Reembolsos > Clientes de la UE») puede guardarse como metadato y anteponerse al fragmento antes de generar el embedding.
- Tablas: las filas y columnas siguen alineadas, en lugar de una serie de números sin etiquetas.
- Listas: los pasos y los requisitos siguen siendo elementos separados.
¿Cómo fragmentar Markdown para RAG?
- Convierte los documentos a Markdown (PDF, Word, HTML).
- Divide por los títulos #, ## y ###.
- Si una sección sigue siendo demasiado larga, divídela por párrafos con un pequeño solapamiento.
- Antepón la ruta de títulos a cada fragmento y guárdala como metadato.
- Evalúa con 20–50 preguntas reales y ajusta el tamaño de los fragmentos.
¿Cuándo basta el texto plano?
Los registros de chat, las transcripciones y las notas cortas no tienen una estructura significativa. Convertirlos a Markdown no aporta nada; divídelos mejor por tiempo o por interlocutor.
Ejemplo: la misma página de dos maneras
Toma una página de un reglamento interno con un título, un párrafo y una tabla de plazos de reembolso. En texto plano, la tabla se convierte en una serie de palabras y números: Región Plazo Coste UE 14 días 0 US 30 días 5. Ante la pregunta «¿cuál es el plazo en Estados Unidos?», nada en ese fragmento indica que 30 es un plazo y no un coste.
En Markdown, el contenido conserva su forma:
## Reembolsos | Región | Plazo | Coste | |---|---|---| | UE | 14 días | 0 | | US | 30 días | 5 |
El fragmento lleva sus propias etiquetas. Si añades la ruta de títulos («Reglamento > Reembolsos»), el modelo de embeddings conoce el tema y el modelo que responde lee «US | 30 días» como una fila de tabla.
Texto plano o Markdown de un vistazo
| Texto plano | Markdown | |
|---|---|---|
| Fragmentación | Tamaño fijo o párrafos | Títulos y luego párrafos |
| Contexto de sección | Perdido | Ruta de títulos como metadato |
| Tablas | Aplanadas | Filas y columnas conservadas |
| Tokens extra | Ninguno | Pocos (#, |, -) |
| Ideal para | Transcripciones, notas, chats | Manuales, informes, contratos, documentación |
¿Cuáles son los errores frecuentes?
- Fragmentos que solo contienen un título: une cada título con el texto que lo sigue.
- Cabeceras y pies de página repetidos: elimínalos antes de dividir, o todos los fragmentos se parecerán.
- Una tabla partida en dos: mantenla en un solo fragmento o repite la fila de cabecera en cada parte.
- No medir nunca: escribe de 20 a 50 preguntas reales y comprueba si sale el fragmento correcto, antes y después de cada cambio.
FAQ
¿Markdown cuesta más tokens?
Muy poco: unos pocos caracteres por título, elemento de lista o fila de tabla.
¿LangChain y LlamaIndex admiten la división de Markdown?
Sí, ambos ofrecen divisores basados en los títulos de Markdown.
Actualizado: noviembre de 2026. Los archivos se procesan en su navegador y no se envían a ningún servidor.