---
title: "¿Qué es el chunking en RAG? Tamaño de chunk y solapamiento"
description: "El chunking divide documentos en fragmentos que un sistema RAG puede convertir en embeddings, indexar y recuperar. Tamaño, solapamiento, ajustes y costos."
url: https://broadrouter.com/es/glossary/chunking/
lang: es
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Traducido del inglés con ayuda de IA. [Lea el original en inglés](https://broadrouter.com/glossary/chunking/) (actualizado el 2026-11-15).

# Chunking (fragmentación de documentos en RAG)

Actualizado 2026-11-15

El chunking es el paso de un pipeline de recuperación que divide los documentos en piezas más pequeñas, llamadas chunks o fragmentos, antes de convertirlas en embeddings e indexarlas. El tamaño del chunk fija cuánto texto contiene cada pieza, y el solapamiento repite parte del texto entre fragmentos vecinos para que no se pierdan las ideas cortadas en un límite.

También llamado: chunking, fragmentación de texto, fragmentación de documentos, tamaño de chunk, solapamiento de chunks, estrategia de chunking, chunk size, chunk overlap, text chunking, document chunking, chunking strategy

Un recuperador no puede devolver medio documento. El chunking decide cuáles son las piezas.

## Cómo funciona

La documentación de LangChain resume el propósito con sencillez: los divisores de texto “break large docs into smaller chunks that will be retrievable individually and fit within model context window limit.” (traducción: dividen los documentos grandes en fragmentos más pequeños que se pueden recuperar por separado y caben dentro del límite de la ventana de contexto del modelo). Después, cada chunk se convierte en [embeddings](https://broadrouter.com/es/glossary/embeddings/) y se guarda en una [base de datos vectorial](https://broadrouter.com/es/glossary/vector-database/), o se indexa para búsqueda por palabras clave.

Dos números controlan la mayoría de los fragmentadores:

-   **Tamaño del chunk**: la longitud máxima de un fragmento, en caracteres o en tokens.
-   **Solapamiento**: cuánto texto del final de un chunk se repite al inicio del siguiente.

Los divisores también difieren en dónde cortan. LangChain recomienda empezar con su divisor recursivo en la mayoría de los casos. Intenta mantener enteras las unidades más grandes, como los párrafos, y recurre a oraciones y luego a palabras cuando una unidad es demasiado grande. El `SentenceSplitter` de LlamaIndex trabaja sobre límites de oración; su documentación lo muestra con ajustes explícitos:

```python
from llama_index.core.node_parser import SentenceSplitter

splitter = SentenceSplitter(chunk_size=1024, chunk_overlap=20)
nodes = splitter.get_nodes_from_documents(documents)
```

Un cálculo de ejemplo: un corpus de 100,000 tokens dividido en chunks de 500 tokens con 50 de solapamiento da unos 222 fragmentos (cada chunk nuevo aporta 450 tokens nuevos) y unos 111,000 tokens para convertir en embeddings, un 11 % más que sin solapamiento.

## Por qué importa

-   **Recall.** Los chunks demasiado pequeños pierden contexto; los demasiado grandes diluyen la coincidencia con texto no relacionado.
-   **Costo del LLM.** Los fragmentos recuperados se envían como tokens de entrada. Cinco chunks de 1,000 tokens añaden 5,000 tokens de entrada a cada pregunta.
-   **Costo del índice.** El solapamiento y los chunks pequeños aumentan la cantidad de vectores que hay que generar y almacenar.
-   **Idioma.** Las palabras árabes pueden llevar clíticos y diacríticos que cambian el conteo de tokens y las coincidencias. [Búsqueda RAG en árabe](https://broadrouter.com/es/blog/arabic-rag-search/) cubre el chunking y la normalización para el árabe.

El chunking es solo una palanca. Añadir [búsqueda híbrida](https://broadrouter.com/es/glossary/hybrid-search/) o un [reranker](https://broadrouter.com/es/glossary/reranking/) suele ayudar más que ajustar solo el tamaño.

## En BroadNet Inference

BroadNet no ofrece un endpoint de embeddings, así que usted fragmenta y genera los embeddings con sus propias herramientas o con otro proveedor, y envía los chunks recuperados a un modelo de chat de BroadNet. Los modelos de contexto largo cambian el equilibrio: [DeepSeek V4.1 Flash](https://broadrouter.com/es/models/deepseek-v4.1-flash/) y [GLM 5.3](https://broadrouter.com/es/models/glm-5.3/) aceptan 1,048,576 tokens, así que un corpus pequeño puede caber sin ninguna recuperación. [Contexto largo vs. RAG](https://broadrouter.com/es/blog/long-context-vs-rag/) compara ambas opciones.

La [calculadora de chunking para RAG](https://broadrouter.com/tools/rag-chunking-calculator/) estima el número de fragmentos, el tamaño del índice y los tokens por consulta según sus ajustes, y [tamaño de chunk y solapamiento en RAG](https://broadrouter.com/es/blog/rag-chunk-size-overlap/) recorre las pruebas publicadas.

## Preguntas frecuentes

### ¿Con qué tamaño de chunk debo empezar?

No hay un único valor correcto. Elija un tamaño inicial, arme un pequeño conjunto de prueba con preguntas reales de respuesta conocida y compare la tasa de aciertos de recuperación con dos o tres tamaños. El artículo sobre el tamaño de chunk en RAG reúne resultados publicados.

### ¿El solapamiento agranda el índice?

Sí. El texto solapado se almacena y se convierte en embeddings más de una vez, así que el tamaño del índice y el costo de embeddings crecen con la proporción de solapamiento.

### ¿Debo fragmentar por caracteres o por tokens?

Los tamaños en tokens coinciden con lo que el modelo de embeddings y el LLM cuentan realmente. Los tamaños en caracteres son más simples, pero el mismo número de caracteres puede equivaler a un número de tokens muy distinto según el idioma, incluido el árabe.

## Vea también

-   [RAG (generación aumentada por recuperación)](https://broadrouter.com/es/glossary/rag/) (término)
-   [Embeddings (vectores de texto)](https://broadrouter.com/es/glossary/embeddings/) (término)
-   [Base de datos vectorial (vector database)](https://broadrouter.com/es/glossary/vector-database/) (término)
-   [Búsqueda híbrida (hybrid search)](https://broadrouter.com/es/glossary/hybrid-search/) (término)
-   [Reranking (reordenamiento de resultados)](https://broadrouter.com/es/glossary/reranking/) (término)
-   [Ventana de contexto (context window)](https://broadrouter.com/es/glossary/context-window/) (término)
-   [Usar LlamaIndex con BroadNet Inference mediante OpenAILike](https://broadrouter.com/es/guides/llamaindex-openailike/) (guía)
-   [Cómo usar LangChain con BroadNet Inference](https://broadrouter.com/es/guides/langchain-openai-base-url/) (guía)
-   [Tamaño de chunk y solapamiento en RAG: efecto en recuperación y costo](https://broadrouter.com/es/blog/rag-chunk-size-overlap/) (artículo)
-   [RAG en árabe: normalización, chunking y recuperación que funciona](https://broadrouter.com/es/blog/arabic-rag-search/) (artículo)
-   [Contexto largo vs RAG: cuándo 1M de tokens reemplaza la base vectorial](https://broadrouter.com/es/blog/long-context-vs-rag/) (artículo)

Pruébelo con su carga de trabajo real. Las cuentas nuevas empiezan con USD 5 de crédito para Gemma y transcripción. DeepSeek, GLM y Qwen3.8 requieren una recarga.

[Comenzar](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=es-glossary-chunking&utm_content=page-cta) ·

**Fuentes**

-   [Documentación de LangChain, divisores de texto (consultado el 2026-11-15)](https://docs.langchain.com/oss/python/integrations/splitters)
-   [Documentación de LlamaIndex, patrón de uso de los node parsers (SentenceSplitter) (consultado el 2026-11-15)](https://developers.llamaindex.ai/python/framework/module_guides/loading/node_parsers/)
