1. Conduit
  2. Casos de uso
  3. Documentos

Documentos

Chatea con tus documentos, y mira exactamente cuál respondió

Añade tus propios archivos de texto, Markdown, CSV, HTML, Word y PDF a una colección, adjúntala a un chat, y pregunta. Conduit busca por significado y por palabras exactas a la vez, y cada respuesta nombra los archivos en los que se basó — haz clic en uno para leer el pasaje mismo.

  • Texto, Markdown, CSV, HTML, Word y PDF
  • Búsqueda híbrida — por significado y por palabras exactas
  • Cada respuesta cita el pasaje que usó

El problema

Le preguntas algo a un asistente sobre tus propios archivos, y responde con seguridad — sin ninguna forma de saber si leyó el párrafo que de verdad importa, un borrador desactualizado, o nada en absoluto. Pegar a mano la página relevante en la ventana de chat, cada vez, no es un flujo de trabajo. Es un parche para no poder confiar en la respuesta.

Qué te da Documentos

Una respuesta que puedes comprobar, no solo leer

Tus archivos, buscados como es debido, con un camino de vuelta a la fuente cada vez.

Seis tipos de archivo, una colección

Texto, Markdown, CSV, HTML, Word (.docx) y PDF. Arrastra un archivo a cualquier parte de la ventana fuera de Chats para añadirlo, o crea una colección desde la barra lateral y adjúntala entera a un chat.

Encontrado por significado y por palabras exactas

Una búsqueda vectorial y una búsqueda de texto completo en SQLite se ejecutan sobre los mismos pasajes y se fusionan en una sola clasificación — así, tanto una pregunta reformulada como una que depende de un único término exacto dan en el blanco.

Sin un índice aparte que mantener

El índice vive como filas normales en la misma base de datos SQLite local que tus chats — sin ninguna base de datos vectorial que instalar, alojar o respaldar aparte.

Cómo funciona

Tres pasos, sin herramienta aparte

Todo ocurre dentro de Conduit — sin tener que exportar antes tus archivos a un servicio de indexación de terceros.

  1. Crea una colección

    Abre Documentos en la barra lateral y crea una colección. Arrastra archivos a cualquier parte de la ventana fuera de Chats para añadirlos, o agrega archivos de texto, Markdown, CSV, HTML, Word o PDF de uno en uno.

  2. Adjúntala a un chat

    Elige la colección desde el composer para esa conversación. La primera vez que indexas con un proveedor dado, Conduit pide tu consentimiento antes de enviar nada.

  3. Pregunta, y comprueba la fuente

    La respuesta nombra los archivos en los que buscó como chips bajo tu pregunta. Haz clic en un chip para abrir el pasaje exacto que usó — no un resumen, el texto mismo.

¿Solo un archivo? Adjúntalo al mensaje

Sin colección, sin indexado, sin proveedor de embeddings — el archivo viaja con tu pregunta.

Elige + → Adjuntar archivos…, pega el archivo o suéltalo en cualquier parte del chat. Un archivo PDF, Word, de texto, Markdown, CSV o HTML llega a todos los modelos como su texto, extraído en tu máquina. Los modelos que leen PDF por sí mismos — Claude, OpenAI, Gemini y los modelos de OpenRouter que indican entrada de archivos — reciben también el PDF, así que los gráficos y las páginas escaneadas llegan. Cada adjunto indica cómo se enviará, o por qué no. El contenido va a tu proveedor de chat como parte del mensaje; si responde Ollama o LM Studio, se queda en tu máquina. Un PDF de más de 20 MB va solo como texto, y el texto de un documento largo se corta en 150.000 caracteres.

Ejemplo resuelto

Una pregunta de diseño, rastreada hasta la nota que la respondió

Un equipo de ingeniería guarda cuatro archivos en una colección: una visión general de la arquitectura, notas de diseño de autenticación, un runbook para atascos de sincronización y una referencia de la API. Un nuevo compañero pregunta por qué el cliente reintenta la autenticación dos veces antes de cerrar la sesión del usuario.

Conduit busca en los cuatro documentos a la vez — por significado, así que una pregunta que nunca dice «carrera de refresco» de todas formas encuentra el párrafo sobre ella, y por palabras exactas, así que un código de error como 409 refresh_reused aparece directamente. La respuesta nombra los archivos en los que se basó y explica ambos reintentos a partir de las notas de diseño.

Hacer clic en un archivo citado no abre un resumen. Abre el pasaje real que usó la respuesta, con la ruta del archivo en disco mostrada encima — así que comprobar la respuesta cuesta un clic, no una búsqueda por los documentos originales.

Cómo funciona Documentos, en la documentación

Adónde van los datos

Dos viajes de red distintos, no uno

Indexar un archivo y hacerle una pregunta envían cosas distintas, a sitios distintos.

PasoSe envía a
Indexar con OpenAI, Gemini u OpenRouterEse proveedor recibe el texto completo del documento, una vez
Indexar con OllamaA ningún sitio — el embedding se ejecuta en tu máquina
Hacer una preguntaTu proveedor de chat recibe los pasajes recuperados, como parte del prompt
Adjuntar un archivo a un mensajeTu proveedor de chat recibe el texto del documento, o el propio PDF en los modelos que leen PDF; no interviene ningún proveedor de embeddings

Anthropic no ofrece una API de embeddings, así que Claude nunca es una opción para indexar — solo para el chat. Consulta la página de privacidad para ver cada flujo de red que hace Conduit, no solo este.

Límites

Qué hace, y qué no hace

Qué hace

  • Añade archivos de texto, Markdown, CSV, HTML, Word y PDF a colecciones que controlas tú, y los busca por significado y por palabras exactas a la vez.
  • Muestra exactamente en qué archivos se basó una respuesta, con un enlace directo al pasaje de origen.
  • Adjunta un solo archivo a un mensaje cuando una colección sería excesiva, e indica cómo se enviará cada adjunto.
  • Analiza los archivos en tu máquina — Conduit no tiene servidores propios a los que subirlos.
  • Te deja elegir el proveedor de embeddings, y cambiar de opinión: el consentimiento es por proveedor y se puede retirar desde la página de Documentos.
  • Mantiene el índice en la misma base de datos SQLite local que tus chats, así que no hay ningún servicio vectorial aparte que ejecutar.
  • Funciona totalmente en local cuando eliges Ollama tanto para el embedding como para el chat.

Qué no hace

  • Leer en una colección un PDF escaneado sin capa de texto — no hay paso de OCR, así que ese archivo no produce nada. Adjunto a un mensaje, puede leerlo un modelo que lee PDF, que recibe el propio PDF.
  • Dejarte indexar con Claude — Anthropic no tiene API de embeddings, así que elige OpenAI, Gemini, OpenRouter u Ollama para esa parte aunque sea Claude quien responda el chat.
  • Mantener el texto de un documento fuera de la red a menos que elijas Ollama — el embedding en la nube envía el texto completo una vez, por diseño.
  • Cifrar los fragmentos de documentos a menos que hayas activado el cifrado en reposo — viene desactivado por defecto, y todo es texto plano hasta que lo activas.
  • Detenerse en el extracto de origen — los pasajes recuperados se envían después a tu proveedor de chat como parte del prompt, así que las políticas propias de ese proveedor también se les aplican.
  • Permitir un proveedor de embeddings en la nube mientras el modo solo local está activo — Ollama es la única opción que Conduit usará en ese modo.

Chatear con tus documentos — preguntas, respondidas con claridad

¿Con qué tipos de archivo puedo chatear?

Texto plano, Markdown, CSV, HTML, Word (.docx) y PDF. Arrastra cualquiera de ellos a la ventana de Conduit fuera de Chats para añadirlo a una colección, o añade archivos de uno en uno desde la sección Documentos de la barra lateral. No hay paso de OCR, así que un PDF escaneado sin capa de texto debajo no se puede leer en una colección — simplemente no produce ningún texto. Adjunto a un mensaje, en cambio, un PDF escaneado sí puede leerlo un modelo que lee PDF, porque ese modelo recibe el propio PDF.

¿Mis documentos salen de mi computadora?

Los archivos se analizan en tu máquina de todos modos. Para que el índice funcione, el texto completo de un documento se envía una vez al proveedor de embeddings que elijas — a menos que elijas Ollama, que genera el embedding en tu máquina y no envía nada. Después, cuando haces una pregunta, los pasajes recuperados de tus archivos se envían a tu proveedor de chat como parte del prompt, igual que cualquier otra cosa que escribas. Así que una colección es totalmente local solo cuando Ollama genera el embedding y un modelo local responde. Un archivo que adjuntas a un solo mensaje se salta el paso del embedding — su texto, o el propio PDF en un modelo que lee PDF, va a tu proveedor de chat junto con el mensaje.

¿Por qué no puedo usar Claude para indexar mis documentos?

Anthropic no ofrece una API de embeddings, así que Claude no es una de las opciones para convertir tus archivos en un índice buscable. Elige OpenAI, Gemini, OpenRouter u Ollama para indexar — igual puedes enviarle el chat en sí, y los pasajes recuperados de tus documentos, a Claude para que responda.

¿Puedo chatear con documentos totalmente offline?

Sí, con Ollama haciendo los dos trabajos — el embedding de tus archivos y la respuesta del chat —, ejecutando modelos que ya tienes en local. Activa el modo solo local y Conduit lo impone por ti — los proveedores de embeddings en la nube se rechazan de plano, así que una colección no puede ponerse a hablar con internet a escondidas.

¿Cómo decide Conduit qué pasaje usar?

Se ejecutan dos búsquedas a la vez sobre la misma base de datos local — una búsqueda vectorial que empareja por significado, y una búsqueda de texto completo en SQLite que empareja palabras exactas —, y las dos clasificaciones se combinan por reciprocal rank fusion. Esa combinación detecta tanto una pregunta formulada de otra manera que el texto original como una que depende de un término exacto, como un código de producto o un nombre. Los archivos en los que se basó una respuesta aparecen como chips bajo tu mensaje — haz clic en uno para leer el pasaje mismo, no un resumen.

¿Mi índice de documentos está cifrado?

Solo si has activado el cifrado en reposo en Settings — viene desactivado por defecto. Con él activado, los fragmentos de documentos se cifran, con clave ligada a tu llavero del sistema operativo, junto con los adjuntos, los artefactos y los elementos de memoria. Con él desactivado, el índice se queda en la misma base de datos local que tus chats, sin cifrar, protegido solo por los permisos de archivo de tu propio sistema operativo.

Pregúntale a tus propios archivos, y mira qué respondió

Gratis, de código abierto, y funcionando en tu propia máquina antes de que exista tu primera colección.

Es una release candidate: los instaladores todavía no están firmados por el sistema operativo, así que espera un aviso de SmartScreen o Gatekeeper en el primer inicio.