PDF Page Index
PDF Page Index lee uno o varios documentos PDF y, con ayuda de un modelo de IA, construye su índice: los capítulos, los apartados que hay dentro de cada uno y las páginas que ocupan. Si el documento ya tiene una tabla de contenidos, la aprovecha; si no, la deduce del propio texto. Opcionalmente añade el texto de cada apartado y un resumen.
Úsalo con documentos largos, como manuales, contratos, informes o normativas, cuando quieres que un agente encuentre la parte que necesita sin leer el documento entero.
Cuándo usarlo
- Preparar un manual de producto de cientos de páginas para que un asistente responda citando el apartado correcto.
- Sacar el índice de un contrato largo para revisarlo por cláusulas.
- Dividir un informe anual en sus capítulos para resumirlos uno a uno.
- Organizar una normativa por artículos antes de compararla con otra versión.
Configuración
| Campo | Qué hace |
|---|---|
| PDF Documents | Los archivos PDF que quieres indexar. Puedes conectar uno o varios. |
| Model (obligatorio) | El modelo de IA que analiza el documento. Conecta aquí un componente de modelo, por ejemplo OpenAI. |
| Language | El idioma del documento y de los resúmenes, con su código: es, en, fr, de… Por defecto, en. |
Opciones avanzadas
| Campo | Qué hace |
|---|---|
| TOC Check Pages | Cuántas páginas del principio revisa para buscar una tabla de contenidos. Por defecto, 10. |
| Max Pages per Node | Número de páginas a partir del cual un apartado se divide en apartados más pequeños, si además supera el tamaño de Max Tokens per Node. Por defecto, 20. |
| Max Tokens per Node | Cantidad de texto a partir de la cual un apartado se divide, si además supera Max Pages per Node. Se mide en tokens, la unidad con la que los modelos de IA cuentan el texto. Por defecto, 100000. |
| Add Node IDs | Da a cada apartado un número de identificación. Activado por defecto. |
| Add Node Text | Incluye el texto completo de cada apartado. Activado por defecto. |
| Add Node Summaries | Escribe un resumen de cada apartado con el modelo. Tarda más y consume más uso del modelo. Desactivado por defecto. |
| Add Doc Description | Escribe una descripción del documento completo. Necesita Add Node Summaries activado. Desactivado por defecto. |
| Silent Errors | Si un PDF no se puede procesar, sigue con los demás y deja en el resultado una nota con el error, en lugar de detener el flujo. Desactivado por defecto. |
Resultado
La salida Document Structure devuelve un resultado por cada PDF, con:
- El nombre del documento y
source_file, el nombre del archivo original. structure: el índice, con el título de cada apartado, las páginas que ocupa y, dentro, sus subapartados. Según las opciones, cada apartado lleva también su identificador, su texto y su resumen.- La descripción del documento, si activaste Add Doc Description.
Puedes pasar el resultado a un agente para que navegue por el documento, o a componentes que guardan cada apartado en una base de conocimiento.
Ejemplo
El equipo de soporte de una empresa de maquinaria quiere responder dudas con el manual técnico de cada modelo.
- Conecta el PDF del manual a PDF Documents.
- Conecta un componente de modelo a Model y escribe
esen Language. - En las opciones avanzadas, activa Add Node Summaries.
- Conecta Document Structure al agente de soporte, que usa el índice y los resúmenes para ir directo al apartado que responde cada pregunta.
Buenas prácticas
- Activa los resúmenes solo cuando los vayas a usar: cada resumen es una consulta más al modelo.
- Si el índice sale con apartados demasiado largos, baja Max Pages per Node y Max Tokens per Node.
- Para procesar muchos documentos de una vez, activa Silent Errors y revisa después los resultados con error.
Componentes relacionados
- PDF Extractor: para sacar el texto, las tablas y las imágenes de un PDF sin usar un modelo de IA.