> Markdown twin of https://conduitllm.com/es/use-cases/chat-with-documents.html > Añade PDF, Word, CSV, Markdown y texto a una colección de Conduit, pregunta, y haz clic en la respuesta para ver el pasaje exacto — indexado en tu máquina. --- 1. [Conduit](https://conduitllm.com/es/) 2. [Casos de uso](https://conduitllm.com/es/use-cases.html) 3. Documentos Documentos # Chatea con tus documentos, *y mira exactamente cuál respondió* Añade tus propios archivos de texto, Markdown, CSV, 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. [Descargar Conduit](https://conduitllm.com/es/#get) Ver un ejemplo resuelto - Texto, Markdown, CSV, 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. ### Cinco tipos de archivo, una colección Texto, Markdown, CSV, Word (`.docx`) y PDF. Arrastra un archivo a cualquier parte de la ventana 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. ### Crea una colección Abre Documentos en la barra lateral y crea una colección. Arrastra archivos a cualquier parte de la ventana para añadirlos, o agrega archivos de texto, Markdown, CSV, Word o PDF de uno en uno. ### 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. ### 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. 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](https://conduitllm.com/es/docs.html#documents) Adónde van los datos ## Dos viajes de red distintos, no uno Indexar un archivo y hacerle una pregunta envían cosas distintas, a sitios distintos. | Paso | Se envía a | | --- | --- | | Indexar con OpenAI, Gemini u OpenRouter | Ese proveedor recibe el texto completo del documento, una vez | | Indexar con Ollama | A ningún sitio — el embedding se ejecuta en tu máquina | | Hacer una pregunta | Tu proveedor de chat recibe los pasajes recuperados, como parte del prompt | 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](https://conduitllm.com/es/privacy.html) 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, 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. - 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 un PDF escaneado sin capa de texto — no hay paso de OCR, así que ese archivo no produce nada. - 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, Word (`.docx`) y PDF. Arrastra cualquiera de ellos a la ventana de Conduit 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 — simplemente no produce ningún texto. **¿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. **¿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. Relacionado ## Otras formas en que la gente usa Conduit Para trabajo sensible ### Un asistente de IA que no llama a casa Sin telemetría, sin cuenta, almacenamiento local — y las mismas salvedades sobre el embedding y la recuperación de documentos, explicadas por completo. [Mantenlo privado](https://conduitllm.com/es/use-cases/private-ai.html) Para usuarios de modelos locales ### Modelos locales, con una app de verdad alrededor Ollama o LM Studio para el chat, y también para el paso de embedding — una forma totalmente local de buscar en tus propios archivos. Ejecuta modelos en local Para usuarios intensivos de IA ### Paga por token, no por asiento Tu propia clave para el proveedor de chat y, por separado, para el servicio que sea que haga el embedding de tus documentos. Trae tu propia clave ## 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. [Descargar Conduit](https://conduitllm.com/es/#get) [Ver todos los detalles de Documentos](https://conduitllm.com/features.html#documents) 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.