Calculadora de chunks para RAG: fragmentos, tokens y costo de embeddings
Calcula en cuántos chunks se divide tu corpus para un pipeline RAG según el tamaño de chunk y el solapamiento, más los tokens vectorizados y el costo de embeddings.
Cómo funciona
Paso = tamaño de chunk − solapamiento · Chunks = ⌈tokens del corpus ÷ paso⌉ · Tokens vectorizados = chunks × tamaño de chunk
Un pipeline RAG corta los documentos en fragmentos (chunks) de tamaño fijo, y cada uno se convierte en un embedding. Los chunks vecinos suelen solaparse para que un pasaje que queda partido en la frontera se pueda recuperar completo. El número de chunks es el tamaño del corpus dividido entre el paso (tamaño de chunk menos solapamiento), así que más solapamiento significa más chunks, más vectores que guardar y más tokens que vectorizar. Esta cifra dimensiona tu base de datos vectorial y tu factura única de embeddings: los chunks pequeños mejoran la precisión de la recuperación pero multiplican la cantidad, un intercambio directo entre precisión y costo.
Ejemplo resuelto
Paula quiere indexar la documentación de su empresa: 500,000 tokens en chunks de 512 tokens con 50 de solapamiento, así que el paso es 462. Salen ⌈500,000 ÷ 462⌉ = 1,083 chunks y se vectorizan 1,083 × 512 = 554,496 tokens. A $0.02 por millón cuesta unos $0.0111, con 10.9% más tokens que el corpus original por culpa del solapamiento.
Preguntas frecuentes
¿Cómo cambia el solapamiento el número de chunks?
El solapamiento acorta el paso efectivo (tamaño de chunk menos solapamiento), así que el corpus se divide en más chunks que se repiten en parte. Un chunk de 512 tokens con 50 de solapamiento avanza solo 462 tokens por paso, lo que da cerca de 11% más chunks que sin solapamiento.
¿Qué tamaño de chunk conviene usar?
Lo más común es entre 256 y 1,024 tokens. Los chunks pequeños ubican mejor el pasaje relevante y mejoran la precisión, pero generan más vectores y pueden perder contexto; los grandes conservan el contexto pero diluyen la relevancia. Ajústalo a qué tan autocontenido es el pasaje que idealmente responde una pregunta.
¿El costo de embeddings se paga una sola vez?
Vectorizar el corpus es un costo único, más lo que cueste volver a hacerlo cuando cambian los documentos. Vectorizar la pregunta del usuario en cada consulta y el almacenamiento y las búsquedas de la base vectorial van aparte; para eso usa una calculadora de costo de base de datos vectorial.
Calculadoras relacionadas
Estimación con fines educativos: los costos reales dependen de tu proveedor, el modelo de embeddings y los precios, que cambian seguido. Compáralo con tus propias facturas antes de comprometer presupuesto.