Construimos el corpus del que un asistente tiene permiso para responder, con reglas sobre qué entra, cómo se divide, cómo se busca y qué pasa cuando la fuente cambia.

Casi siempre porque no se encontró el fragmento correcto, no porque el modelo sea «malo». Las causas frecuentes, en el orden en que las verificamos: fragmentos demasiado grandes, en los que la información útil se pierde entre otras; corte por la mitad de la frase, sin solapamiento; demasiado pocos fragmentos llevados al contexto; o un corpus en el que la misma información aparece en tres versiones distintas y la antigua puntúa mejor. El registro de consultas, con las puntuaciones obtenidas, muestra cuál de ellas es el caso — sin él, se adivina.

No, y es más honesto decir exactamente dónde. Con vectores propios: la memoria de un board interno usado a diario, en columna vectorial con índice por distancia coseno y umbral de similitud 0,35. Con vectores del proveedor: la base de conocimiento de los agentes vocales, sincronizada hacia el motor de recuperación del proveedor. **Sin** vectores, hoy, en producción: la base de conocimiento de la plataforma de asistentes de texto — la ruta de indexación escribe la columna vectorial vacía, así que la recuperación funciona de forma léxica, y el código etiqueta por sí mismo el módulo como `keyword-only`. También existe un pipeline propio completamente escrito, con la migración marcada «no publicar en producción» hasta que se confirmen los derechos sobre la extensión vectorial. Ese es el mapa real.

Los fragmentos de la fuente se borran por completo y se reescriben desde la nueva versión. Hemos elegido la sustitución completa en lugar de la actualización parcial porque lo difícil no es añadir, sino eliminar: los fragmentos que quedan de la versión antigua siguen siendo recuperados y producen respuestas que el cliente contradice con la página de inicio. En la adición también hay una comprobación de huella del contenido — si el texto es idéntico, no se recalcula nada y no se paga en vano.

No automáticamente, en las plataformas que operamos hoy. La reindexación se pide explícitamente, por fuente, mediante una acción dedicada. Existe una sola excepción, en un sistema interno nuestro, donde un bucle se ejecuta cada treinta minutos y reindexa solo lo que ha cambiado. La programación automática también se puede construir y es una etapa separada; lo que no hacemos es dar la impresión de que ya existe. También hay un campo de expiración declarado en el esquema que nadie lee — así que un documento no sale solo del corpus.

El momento de la verdad. La lista cargada es correcta el día de la carga; al día siguiente, el precio, el stock y los productos nuevos divergen en silencio, y la divergencia se descubre cuando un cliente pide un precio que ya no existe. El catálogo conectado se lee en el momento de la pregunta, desde el sistema que lleva el registro, así que no puede quedarse atrás. El coste es otro: aparece una dependencia de la disponibilidad de ese sistema y hay que decidir qué dice el asistente cuando la fuente no responde — siendo la respuesta correcta «no puedo confirmar el precio ahora», no el último valor conocido.

No directamente. Un PDF escaneado es una imagen dentro de un envoltorio PDF y no contiene texto seleccionable; nuestro extractor detecta eso y devuelve un mensaje explícito en lugar de indexar un documento vacío — el peor resultado posible siendo una fuente marcada «lista» que no contiene nada. La solución es el reconocimiento óptico antes de la importación, o proporcionar el documento en DOCX o texto. Reconocimiento óptico no lo tenemos implementado en la cadena actual.

Sí, y hay un detalle que importa más de lo que parece. La división en fragmentos corta entre frases, y nuestra regla reconoce el final de frase seguido de mayúscula latina **o** cirílica, incluidos los diacríticos rumanos. Un separador escrito para inglés no reconoce el inicio de una frase en cirílico y produce fragmentos pegados, con efecto directo sobre la calidad de la recuperación. Para la parte vocal, el modelo de representación usado por el proveedor es multilingüe.

Cuando el corpus es pequeño, estable y escrito por vosotros — por ejemplo, el contenido de vuestro propio sitio. En una plataforma pública propia elegimos deliberadamente la recuperación por solapamiento de palabras sobre el propio texto de la plataforma, dividido en pasajes cortos que llevan cada uno la página de origen. Sin vectores, sin almacén vectorial, sin una petición adicional de red y, esencialmente, sin ninguna fuente fuera del almacén. El asistente solo puede repetir lo que ya dice el sitio, y cada respuesta se puede verificar en una página escrita por una persona. Cuando lo principal es que no se invente nada, eso supera a la búsqueda semántica.

Las fuentes son tuyas y permanecen en su forma original; los fragmentos y las representaciones están en la base de datos de vuestra instalación, no en un servicio externo de búsqueda al que solo nosotros tenemos acceso. El modelo de representación se solicita mediante una propia puerta de modelos, por lo que el cambio de proveedor no afecta el código de la base de conocimientos. Sin embargo, las representaciones vectoriales están ligadas al modelo que las produjo: cambiar de modelo exige reindexar todo el corpus. Es una operación de cómputo, no gratuita, y es mejor saberlo al principio que enterarse a mitad.