Elysia Tools
Navegación
Workflow Playbook
Limpia PDFs y Word, elimina ruido de extraccion, revisa riesgos de prompt oculto, divide texto, puntua chunks y prepara entradas RAG con citas.
Temas
La calidad RAG empieza antes de crear el primer vector. Un corpus puede mezclar PDFs con texto seleccionable, paginas escaneadas, Word, elementos repetidos, instrucciones ocultas, anexos y secciones largas que no se dividen bien. Este flujo hace visibles esas decisiones para que el indice no sea una caja negra.
Empieza acotando paginas con pdf-page-range-extractor y elige la ruta de extraccion. Usa pdf-to-clean-text-for-llm para PDFs digitales, scanned-pdf-ocr-to-markdown para paginas de imagen y word-text-extractor para DOCX. Asi todas las fuentes llegan a una capa textual comparable.
Antes de aceptar el texto, revisa riesgos. pdf-header-footer-noise-remover detecta muebles repetidos de pagina, tagged-pdf-inspector muestra si la estructura semantica sobrevivio y pdf-prompt-injection-scanner identifica instrucciones ocultas o fuera de pagina que no deben entrar al corpus.
Usa ai-token-estimator para comprobar que los chunks caben en el modelo y la politica de recuperacion. Luego crea limites con sentence-splitter o text-splitter. Termina con ai-rag-chunk-quality-scorer para comparar coherencia, cobertura, solapamiento y tamano, y con pdf-rag-chunker-citation-pack cuando necesites citas por pagina. La entrega final debe incluir configuracion aceptada, riesgos descartados y metadatos suficientes para rastrear respuestas a las fuentes.
Guía de flujo de trabajo
Selecciona paginas y fuentes que pertenecen al corpus, y convierte PDFs, escaneos y Word en texto o Markdown revisable.
Comprueba si cabeceras, pies, estructura PDF debil o texto oculto de prompt injection contaminarian embeddings o respuestas.
Estima tokens, divide por frases o delimitadores significativos y crea candidatos que respeten los limites del sistema.
Compara esquemas por coherencia, cobertura, solapamiento y tamano, y prepara paquetes con citas por pagina para indexar.
Usa limpieza de PDF para texto seleccionable, OCR a Markdown para paginas escaneadas y extraccion Word para DOCX, de modo que todo entre en una misma canalizacion revisable.
Genera paquetes con citas cuando las respuestas deban volver a paginas o regiones; usa division general y puntuacion cuando compares politicas antes del indice.