Saltar al contenido principal

Documentation Index

Fetch the complete documentation index at: https://docs.tess.im/llms.txt

Use this file to discover all available pages before exploring further.

El step CSV to Text convierte archivos de hojas de cálculo (.csv) en texto estructurado y legible para modelos de lenguaje. Con esto, tus agentes pueden consumir datos tabulares directamente, sin necesidad de software de hojas de cálculo ni intervención manual para procesar el archivo.

​
¿Qué es el Step?

Este step pertenece al grupo Document Processing — una categoría dedicada a transformar formatos de archivo en contenido utilizable por la IA. En la práctica, CSV to Text:
  • Lee archivos CSV alojados online o subidos por el usuario
  • Detecta automáticamente delimitadores (coma, punto y coma, etc.)
  • Convierte el contenido tabular en texto plano y continuo
  • Inyecta este texto en el contexto del agente antes de que comience la conversación
El output es un bloque de texto bruto, correctamente formateado para ser usado en prompts como base para análisis, generación de reportes o respuestas contextualizadas.

​
Dónde encontrarlo

  1. Accede al AI Studio
  2. Haz clic en Add AI Step
  3. En Select Step Category, elige Document Processing
  4. Selecciona CSV to Text
Image

​
Cómo usar (Quickstart)

Campos de configuración:
CampoObligatorioDescripción
Step NameSíNombre interno del step. Usa solo caracteres alfanuméricos. Este nombre se utiliza para referenciar el resultado en otros steps o prompts
Upload de ArchivoSíURL directa de un archivo CSV alojado online o una variable de entrada de archivo del usuario (ej: {{csvfile}})
El step funciona como un puente entre datos tabulares y lenguaje natural.

Flujo

CSV (URL o upload) → Step procesa y convierte↓Texto plano entra en el contexto → El agente usa los datos para responder
Sobre el output:
  • El contenido se presenta de forma lineal — sin formato visual de tabla
  • La estructura de filas y columnas se convierte en una secuencia textual
  • Debe tratarse como datos brutos inyectados en el prompt
Tip de calidad:
Los archivos CSV con una fila de encabezado generan un contexto mucho más preciso para el agente. Sin encabezados, el modelo puede tener dificultades para identificar qué representa cada columna.

​
Ejemplos prácticos

1. Análisis de campañas y leads Prompt:
“Analiza los datos de la hoja de leads. Identifica patrones de conversión, compara el rendimiento por canal y genera un informe semanal con sugerencias de optimización de presupuesto.” Uso:
  • Exportar CSV desde CRM o plataforma de tráfico
  • Alojarlo online o usarlo como User Input
  • El step convierte y el agente analiza automáticamente
2. Filtrado automático de candidatos Prompt:
“Evalúa los candidatos listados en el archivo. Cruza habilidades y años de experiencia con los requisitos del puesto y genera un ranking de los 5 perfiles más adecuados con un resumen individual.” Uso:
  • CSV exportado de una plataforma de reclutamiento
  • El agente procesa y clasifica sin intervención humana
3. Monitoreo de churn y feedback Prompt:
“Analiza los datos de satisfacción y uso de clientes. Categoriza las principales quejas, identifica clientes con alto riesgo de cancelación y sugiere acciones preventivas para cada perfil.” Uso:
  • CSV exportado desde CRM o encuestas
  • El agente genera insights accionables para el equipo de retención
4. Consolidación de datos operacionales Prompt:
“Lee los datos de la hoja y crea un resumen ejecutivo con los principales KPIs, desvíos y alertas operacionales del período.” Uso:
  • Reportes operativos en CSV
  • Ideal para agentes de texto ejecutados automáticamente
Buenas prácticas
  • Usa archivos con encabezados: la primera fila con nombres de columnas mejora mucho la precisión del agente
  • Prefiere archivos limpios y organizados: columnas combinadas, formatos especiales o datos inconsistentes reducen la calidad de la conversión
  • Referencia el step en el prompt: usa el nombre del step para indicar al agente dónde están los datos. Ejemplo: “Usa los datos del step analise_leads para…”
  • Combina con otros steps: CSV to Text → análisis → Google Sheets Write Values (para exportar resultados)
  • Evita archivos muy grandes: hojas con muchas columnas y miles de filas pueden exceder la ventana de contexto del agente

​
Observaciones importantes

  • El step se ejecuta antes de la interacción con el usuario
  • La URL del archivo debe ser pública y accesible
  • El resultado es texto bruto, no una tabla formateada
  • La calidad del análisis depende de la organización del archivo original
CSV to Text es la puerta de entrada para datos estructurados dentro de Tess. Democratiza el acceso a hojas de cálculo sin necesidad de herramientas externas, permitiendo que cualquier agente lea, interprete y genere insights a partir de datos tabulares de forma autónoma y escalable.