ESPACIO PUBLICITARIO DISPONIBLE · HABLEMOS
Español
English简体中文繁體中文日本語EspañolPortuguês한국어DeutschFrançais
Todos los sitios

Cómo usar Kimi para el análisis de documentos extensos y extracción comparativa de múltiples archivos

Guía
365Finds Editorial
11.430 artículos Wiki recopilados

Usa 365 Wiki con tu IA

Copia el prompt de abajo, pégalo en la IA que ya usas y haz tu pregunta.

Descargar el Skill completo

Pruébalo primero con el prompt. Si usas 365 Wiki a menudo, instala el Skill completo de 365Wiki y no tendrás que volver a pegarlo. Si no tienes una IA habitual, también sirven las versiones web de Gemini o Microsoft Copilot.

365Wiki Skill

Descargar el Skill completo
El análisis de documentación técnica densa, declaraciones financieras de cientos de páginas y contratos comerciales multipartitos suele desbordar a las herramientas de IA convencionales limitadas por ventanas de contexto reducidas. Kimi, desarrollado por Moonshot AI, supera este cuello de botella mediante razonamiento nativo con contexto ultra largo, admitiendo hasta un millón de tokens en sus modelos insignia junto con un sólido procesamiento multidocumento. Esta guía detalla cómo utilizar Kimi para analizar documentos extensos individuales, realizar extracción comparativa de información entre múltiples archivos, aprovechar el almacenamiento en caché de contexto (Context Caching) en flujos de trabajo automatizados y aplicar controles de verificación rigurosos en investigaciones y entornos empresariales de alta exigencia.


Comprender la arquitectura de contexto largo y los límites de archivos de Kimi


Kimi elimina la necesidad de particionar manualmente los documentos en fragmentos antes de consultar un modelo de IA. Sus modelos subyacentes —incluido Kimi K3, impulsado por una arquitectura híbrida que combina Kimi Delta Attention (KDA) y Gated Multi-Head Latent Attention (MLA)— permiten una comprensión global a lo largo de cientos de miles de palabras sin perder coherencia ni pasar por alto detalles ocultos.


Formatos de archivo y especificaciones admitidos


Kimi admite una amplia variedad de formatos de documentos y datos en su interfaz web, espacio de trabajo de escritorio y API para desarrolladores:



En aplicaciones para desarrolladores, los archivos cargados destinados a la extracción textual se designan con purpose="file-extract". Los archivos individuales pueden alcanzar hasta 100 MiB. Aunque las organizaciones operan con un límite de almacenamiento predeterminado de 10 GiB, no existe un límite estricto para el número total de archivos subidos. Los usuarios de las aplicaciones Kimi Web y Kimi Work pueden subir hasta 50 documentos independientes en una sola sesión de análisis.


Extracción de texto frente a inspección visual nativa


Kimi distingue claramente entre la extracción de texto y el razonamiento visual nativo:



Flujo de trabajo paso a paso para el análisis de un único documento extenso


Ya sea al examinar una tesis académica, un informe anual 10-K presentado ante la SEC o un reporte de ensayo clínico, el análisis de un documento extenso y completo con Kimi sigue un procedimiento estructurado desde la carga hasta la verificación dirigida.


Opción A: Exploración interactiva de documentos mediante Kimi Web


Para analistas de investigación, equipos jurídicos y profesionales del conocimiento que trabajan en un navegador o cliente de escritorio:


    

  1. Acceder a la interfaz: Navegue a kimi.ai (o kimi.com) e inicie una nueva conversación.
    2. 

  2. Adjuntar el documento: Haga clic en el icono de archivo adjunto o arrastre y suelte el archivo directamente en el cuadro de mensajes.
    3. 

  3. Esperar el procesamiento: La plataforma analiza el documento y muestra una etiqueta de archivo que confirma que la extracción del texto completo ha concluido.
    4. 

  4. Generar una orientación inicial: Solicite un resumen estructurado para delimitar el alcance general del documento antes de profundizar en detalles específicos.
    5. 

  5. Profundizar de forma interactiva: Envíe preguntas dirigidas haciendo referencia a secciones específicas, períodos fiscales o definiciones técnicas.
    6. 



Opción B: Análisis programático de documentos mediante la API de Kimi


Para desarrolladores que integran el análisis de documentos en canales y servicios backend, Kimi proporciona un punto de enlace de API compatible con OpenAI en https://api.moonshot.cn/v1. El proceso consta de cuatro pasos concisos:


import os
from pathlib import Path
from openai import OpenAI

# Inicializar cliente apuntando a la API de Moonshot
client = OpenAI(
    api_key=os.environ["MOONSHOT_API_KEY"],
    base_url="https://api.moonshot.cn/v1",
)

# Paso 1: Subir documento para extracción de texto
uploaded_file = client.files.create(
    file=Path("annual_report_2025.pdf"),
    purpose="file-extract",
)

# Paso 2: Obtener el contenido del texto extraído
extracted_text = client.files.content(file_id=uploaded_file.id).text

# Paso 3: Inyectar el texto extraído en los mensajes del sistema
system_persona = (
    "You are Kimi, an AI assistant developed by Moonshot AI. Provide accurate, "
    "well-structured, and verified answers based strictly on provided documentation."
)

messages = [
    {"role": "system", "content": system_persona},
    {"role": "system", "content": extracted_text},
    {
        "role": "user",
        "content": "Proporciona un resumen ejecutivo de los principales factores de ingresos e identifica los tres riesgos operativos más importantes revelados en esta presentación.",
    },
]

# Paso 4: Ejecutar inferencia utilizando Kimi K3
response = client.chat.completions.create(
    model="kimi-k3",
    messages=messages,
    temperature=0.3,
)

print(response.choices[0].message.content)





[!IMPORTANT]
Al consultar documentos a través de la API, obtenga siempre la cadena de texto extraída y pásela directamente dentro de messages. Nunca envíe el file_id sin procesar como contenido del mensaje ni incruste documentos de gran tamaño como cadenas base64, ya que esto genera un consumo innecesario de tokens y elude las optimizaciones del procesamiento de texto.




Patrones de consulta fundamentales para el análisis exhaustivo de documentos individuales


Para maximizar la calidad de la información extraída de un texto extenso, utilice enfoques de formulación precisos:



Extracción de información y análisis comparativo entre múltiples archivos


Una de las ventajas operativas más destacadas de Kimi es su capacidad para evaluar simultáneamente múltiples documentos extensos. En lugar de analizar los archivos por separado y compilar los resultados a mano, es posible cargar varios documentos al mismo tiempo para generar síntesis cruzadas, comparaciones de versiones contractuales (redlines) y análisis de tendencias temporales.


Patrón de ingesta para análisis de múltiples archivos


En la API, cada documento individual se envía como un mensaje de system independiente situado al inicio del arreglo messages:


def prepare_multi_file_context(file_paths: list[str]) -> list[dict]:
    """Carga múltiples archivos y genera un mensaje del sistema para cada documento extraído."""
    file_messages = []
    for path in file_paths:
        file_obj = client.files.create(file=Path(path), purpose="file-extract")
        file_text = client.files.content(file_id=file_obj.id).text
        file_messages.append({"role": "system", "content": file_text})
    return file_messages

# Ingerir múltiples informes anuales o análisis de la competencia
docs = ["filing_2023.pdf", "filing_2024.pdf", "filing_2025.pdf"]
file_messages = prepare_multi_file_context(docs)

multi_doc_messages = [
    *file_messages,
    {"role": "system", "content": system_persona},
    {
        "role": "user",
        "content": (
            "Compara el rendimiento financiero entre 2023, 2024 y 2025. "
            "Construye una tabla Markdown que compare los Ingresos Totales, el Margen Operativo "
            "y el Flujo de Caja Libre, seguida de una explicación de las principales variaciones del margen."
        ),
    },
]

completion = client.chat.completions.create(
    model="kimi-k3",
    messages=multi_doc_messages,
)
print(completion.choices[0].message.content)



Casos de uso de alto valor con múltiples archivos


El análisis simultáneo de múltiples documentos dentro de una sola ventana de contexto habilita flujos de trabajo de alto impacto:





































Caso de usoDocumentos de entradaObjetivo de extracción y síntesisFormato de salida
Tendencias financieras plurianualesInformes anuales consecutivos (10-K, estados financieros auditados)Identificar trayectorias de crecimiento de ingresos, evolución de pasivos de deuda y factores de riesgo cambiantes a lo largo del tiempoTabla comparativa de métricas y análisis de variaciones
Comparación de contratos y alineación de proveedoresContrato Marco de Servicios (MSA) estándar frente a borrador de la contraparteIdentificar discrepancias en límites de responsabilidad, derechos de propiedad intelectual, indemnizaciones y condiciones de pagoMatriz de discrepancias cláusula por cláusula
Evaluación comparativa de competidoresLibros blancos (whitepapers) de productos, especificaciones técnicas o fichas de datosComparar rendimiento de arquitectura, latencia, cumplimiento de seguridad y limitaciones de licenciasLista de paridad funcional con evaluación de ventajas y desventajas
Síntesis bibliográfica interdisciplinariaVarios artículos científicos que examinan hipótesis afinesExtraer metodologías de consenso, aislar resultados experimentales contradictorios e identificar vacíos en la literaturaRevisión temática y sistemática de la literatura


Elaboración de instrucciones eficaces para el análisis comparativo


Al comparar varios documentos, las preguntas abiertas como «dime cuáles son las diferencias» suelen producir respuestas genéricas. Formule indicaciones que impongan ejes de comparación explícitos:



Optimización de latencia y costes mediante almacenamiento en caché de contexto


Enviar decenas de páginas en conversaciones de múltiples turnos puede resultar muy costoso computacionalmente si todo el texto del documento se procesa nuevamente en cada solicitud. Kimi resuelve esta ineficiencia mediante su motor automatizado de Context Caching (almacenamiento en caché de contexto).


Cómo funciona el almacenamiento en caché de contexto de Kimi


El almacenamiento en caché de contexto guarda en clústeres de servidores el estado procesado de un prefijo de entrada extenso. Cuando las solicitudes posteriores comparten el mismo contexto inicial, Kimi evita reprocesar dicho prefijo y aplica únicamente una fracción de la tarifa de entrada estándar.



Regla arquitectónica fundamental: Mantener la estabilidad del prefijo


Para maximizar la tasa de aciertos de la caché, la disposición del arreglo de mensajes debe permanecer inalterada. Mantenga las partes estáticas de la solicitud (contenido de los documentos, configuración del sistema y reglas de formato) al inicio de la lista y agregue los turnos de la conversación estrictamente al final:


# Prefijo fijo de documentos (almacenado en caché a lo largo de los turnos)
base_context = [
    *file_messages,
    {"role": "system", "content": system_persona},
    {"role": "system", "content": "Format all tabular data in GitHub Flavored Markdown."},
]

# Turno 1
conversation = list(base_context)
conversation.append({"role": "user", "content": "¿Cuáles son los activos totales listados?"})
turn1_reply = client.chat.completions.create(model="kimi-k3", messages=conversation)

# Turno 2: Conserva el prefijo original, aprovecha la caché de contexto
conversation.append({"role": "assistant", "content": turn1_reply.choices[0].message.content})
conversation.append({"role": "user", "content": "¿Cómo se compara eso con las reservas de efectivo?"})
turn2_reply = client.chat.completions.create(model="kimi-k3", messages=conversation)

# Verificar el uso de la caché en los metadatos de consumo de tokens
usage = turn2_reply.usage
cached_tokens = getattr(usage.prompt_tokens_details, "cached_tokens", 0)
print(f"Total de Tokens de Entrada: {usage.prompt_tokens}")
print(f"Tokens en Caché Reutilizados: {cached_tokens}")



Caché de contexto frente a Generación Aumentada por Recuperación (RAG)


Determinar cuándo suministrar documentos íntegros dentro de la ventana de contexto de Kimi frente a desplegar una arquitectura RAG basada en vectores externos es clave para equilibrar la sencillez operativa y el coste:





































Dimensión de evaluaciónContexto largo de Kimi con Context CachingRAG tradicional basado en fragmentos (Chunks)
Integridad contextualContexto holístico completo; cero pérdidas de recuperación; conserva tablas de varias páginas y dependencias entre capítulosPropenso a fracturas en los límites de los fragmentos; puede omitir matices distribuidos en capítulos distantes
Complejidad de ingenieríaMínima: cargar el texto y consultar el modelo; sin modelos de incrustación, segmentadores ni bases de datos vectorialesAlta: requiere modelos de embeddings, reglas heurísticas de fragmentación, ajuste de índices vectoriales y modelos de reclasificación
Perfil de latenciaTTFT inferior a 5 segundos tras calentar la caché del prefijo; tiempos de respuesta predeciblesRecuperación inicial rápida, pero la latencia se acumula en las etapas sucesivas de búsqueda y reclasificación
Dinámica de costesHasta un 90 % más económico en prefijos calientes; altamente rentable para consultas profundas y recurrentes en colecciones fijasMenor coste bruto por consulta en corpus gigantescos, pero con costes operativos fijos de mantenimiento de infraestructura vectorial
Aplicación óptimaAnálisis de lotes delimitados de documentos (1 a 50 archivos, auditorías financieras, revisión jurídica, diligencia debida)Búsqueda general en toda la empresa a través de millones de tickets internos desconectados, correos electrónicos o páginas wiki


Buenas prácticas de formulación de instrucciones y gobernanza de resultados


Obtener resultados fiables al examinar cientos de páginas exige una estructura rigurosa de las instrucciones, límites claros en las respuestas y una verificación fáctica sistemática.


Delimitación de respuestas con reglas explícitas


Los modelos sin restricciones pueden producir explicaciones excesivamente extensas. Es posible imponer respuestas concisas y auditables agregando un conjunto específico de directrices al mensaje del sistema:


structured_rules = """
Cumple estrictamente con estas restricciones de respuesta:
1. Proporciona un máximo de 5 puntos clave.
2. Para cada afirmación o métrica, cita la sección exacta de origen, el número de página o el título de la tabla.
3. Si una respuesta no puede deducirse directamente de los archivos cargados, indica textualmente: "Información no presente en los documentos de origen."
4. No extrapoles, no especules ni introduzcas generalidades de la industria.
"""

governed_messages = [
    *file_messages,
    {"role": "system", "content": system_persona},
    {"role": "system", "content": structured_rules},
    {"role": "user", "content": "Resume la tasa de abandono de clientes y los puntos de referencia de retención."},
]



Verificación de datos financieros y jurídicos de alta trascendencia


Aunque la atención de contexto largo de Kimi minimiza las alucinaciones de recuperación, las decisiones de misión crítica demandan una verificación rigurosa:



Gestión del almacenamiento y ciclo de vida de los archivos


Los archivos cargados permanecen almacenados en su cuenta para facilitar extracciones y operaciones de almacenamiento en caché posteriores, contabilizándose dentro de la cuota de almacenamiento de la organización (10 GiB por defecto). Una vez finalizado el análisis, limpie los archivos temporales para garantizar la disponibilidad de espacio en tareas futuras:


# Eliminar un archivo específico una vez analizado
client.files.delete(file_id=uploaded_file.id)

# Limpieza masiva: listar y eliminar todos los archivos temporales de extracción
all_files = client.files.list()
for file_record in all_files.data:
    client.files.delete(file_id=file_record.id)



Opciones de plataforma, niveles de acceso y privacidad empresarial


Moonshot AI ofrece diversas modalidades de integración y garantías de privacidad adaptadas a analistas individuales, equipos de desarrollo y organizaciones sujetas a estrictas regulaciones.


Elección entre espacios de trabajo para usuarios y API para desarrolladores



Protección de datos empresariales y política de Retención Cero de Datos (ZDR)


Para entidades que gestionan propiedad intelectual confidencial, estados financieros corporativos o contratos reservados de clientes, la protección contra la exposición de datos es un requisito primordial:



Fuentes


Productos mencionados
Kimi