Corpus: grafos de conocimiento por dominio, no un único montón de documentos
7 min de lectura · Producto
La mayoría de las plataformas de IA sobre documentos hacen lo mismo: vuelcan todos los archivos en un único índice y dejan que la similitud semántica decida qué recuperar. El problema es que una empresa no es un único dominio: tiene manuales de soporte, catálogos de producto, repositorios de código y políticas internas. Mezclarlos en un solo índice produce respuestas que cruzan contextos que nunca deberían cruzarse.
Qué es un corpus
Un corpus es un grafo de conocimiento independiente. Agrupa una o varias fuentes de información, las convierte en un grafo y define qué asistentes pueden usarlo. En lugar de un único "montón" de documentos, separás el conocimiento por dominio: un corpus "Manuales", otro "Catálogo" y otro "Repositorio".
Cada corpus tiene tres propiedades que lo hacen autónomo:
- Sus fuentes — de dónde sale el conocimiento (Drive, Git, archivos, web o texto).
- Su pipeline — cómo se procesa (jerarquía, entidades, comunidades, resumen).
- Sus permisos (ACL) — qué aliases pueden consultarlo.
Los tres tipos de corpus
Según qué modela el grafo, un corpus es de uno de tres tipos:
- Documentos: PDFs, docs y carpetas de Drive convertidos en un grafo jerárquico de secciones, fragmentos (chunks) y entidades. Es el punto de partida natural cuando ya tenés documentación.
- Conocimiento (GraphRAG): conceptos, relaciones y comunidades, pensado para razonamiento multisalto y contexto global: recorrer "política → producto → clientes → contratos → impacto".
- Código: repositorios Git indexados como grafo de archivos, funciones y autoría. Te permite preguntar "¿de quién es este módulo?" o "¿qué funciones dependen de este servicio?".
Por qué separar por dominio
Separar en corpus no es solo orden: es seguridad y precisión. Un asistente de "Soporte" debería navegar únicamente el grafo de manuales; uno de "Desarrollo", únicamente el de código. La separación evita que un alias de marketing vea el código financiero, y que una respuesta de soporte se contamine con una política de RRHH.
La autorización se evalúa en query-time a partir de la configuración del alias: si un alias no tiene autorizado un corpus, no lo ve, pida lo que pida la consulta. Es aislamiento por diseño, no un filtro que se aplica "después".
Fuentes y sincronización
Un corpus puede alimentarse de Google Drive (una carpeta que se sincroniza), Git (un repositorio y una rama), archivos (subida manual o ZIP), web (scraping de una URL) o texto (pegar contenido directamente). Cada fuente puede sincronizarse de forma manual o con una programación (cada 6 horas, diaria, semanal o mensual), y el progreso se ve en tiempo real.
El resultado: contexto acotado y auditable
Cuando consultás un corpus, la IA responde usando solo el conocimiento de ese grafo y muestra las fuentes que usó. Podés "probar" un corpus con una pregunta y ver de dónde salió cada parte de la respuesta. Esa trazabilidad —junto con la separación por dominio— es lo que convierte a un chatbot que "sabe de todo" en una herramienta en la que podés confiar para operar.
En una frase: un corpus es conocimiento de un dominio convertido en grafo, con sus fuentes, su procesamiento y sus permisos. Separar por dominio es más fácil de mantener —y de auditar— que un único grafo gigante.