Empezar aquí

#rag

28 páginas con esta etiqueta.

Roadmap

6

  • Búsqueda híbrida: vectorial + BM25

    Combina búsqueda por palabras clave con BM25 y búsqueda por vectores, y fusiona ambas listas con Reciprocal Rank Fusion para no perder ni paráfrasis ni códigos exactos.

  • Chunking: cortar sin romper el sentido

    Cómo trocear documentos para recuperarlos bien, con tamaño razonable, solapamiento, respeto a la estructura y metadatos útiles.

  • Embeddings: texto convertido en vectores

    Qué es un embedding, cómo se comparan dos vectores con similitud coseno y cómo montar una búsqueda semántica mínima sin atarte a un proveedor.

  • Nivel 30 · Contexto, memoria y RAG

    Aprende a dar al modelo la información justa: embeddings, troceado, búsqueda híbrida, reranking, respuestas con citas comprobables y memoria entre sesiones.

  • Reranking: reordenar antes de responder

    Recupera muchos candidatos baratos y quédate con los pocos que de verdad responden, reordenándolos con un modelo de reranking o con un LLM.

  • Responder con citas verificables

    Pasa los fragmentos numerados en etiquetas XML, pide respuestas con citas literales y compruébalas en código antes de enseñárselas al usuario.

Cursos

5

  • Anatomía de un RAG

    Las dos tuberías de un RAG, qué decide cada etapa, cómo falla cada una y cómo instrumentarlas para saber dónde se rompe.

  • Evaluar un RAG

    Un banco de evaluación con fragmentos relevantes etiquetados, métricas de recuperación (recall@k, MRR) y de respuesta (fidelidad, citas, abstención) y cómo leerlas.

  • Indexar bien: limpieza, troceado y metadatos

    Cómo convertir documentos reales en fragmentos limpios, con estructura, IDs estables y metadatos que sirven para filtrar, citar y reindexar.

  • RAG a fondo

    Monográfico para pasar de un RAG que funciona en la demo a uno que puedes medir, depurar y mejorar con datos en producción.

  • Recuperar bien: híbrida, reranking y recuperación contextual

    Fusión de rankings con RRF, reranking con un modelo, filtros por metadatos y recuperación contextual con prompt caching para que el fragmento correcto llegue al contexto.

Docs

2

  • Contexto

    Referencia de cómo gestionar lo que el modelo ve en cada llamada, con la ventana de contexto, el prompt caching, RAG y la memoria entre sesiones.

  • RAG

    Referencia de la generación aumentada por recuperación, con indexación, búsqueda, inyección de fragmentos en el prompt, parámetros clave y fallos típicos.

Sistemas

1

  • RAG con citas verificables

    Arquitectura de un asistente que responde sobre tus documentos citando la fuente exacta, comprueba en código que cada cita existe y se abstiene cuando no hay evidencia.

Patrones

1

  • La llamada aumentada

    El bloque básico de todo sistema agéntico: un modelo con recuperación, herramientas y memoria, y cómo montarlo con una interfaz sencilla y bien documentada.

Recetas

2

  • Búsqueda híbrida con BM25 y embeddings

    Combina búsqueda por palabras clave con BM25 y búsqueda vectorial con embeddings, y fusiona los dos rankings con Reciprocal Rank Fusion en Python.

  • Trocear documentos con solapamiento

    Divide documentos largos en trozos de tamaño controlado que respetan frases y párrafos, con solapamiento entre trozos y posiciones para citar la fuente.

Glosario

10

  • BM25

    Función clásica de ranking por palabras clave que puntúa documentos según la frecuencia y la rareza de los términos buscados.

  • Búsqueda híbrida

    Combinar búsqueda por palabras clave y búsqueda vectorial y fusionar sus resultados para recuperar mejor.

  • Chunking

    Trocear documentos en fragmentos del tamaño adecuado para indexarlos y recuperarlos en un sistema RAG.

  • Embeddings

    Vectores numéricos que representan el significado de un texto, de forma que textos parecidos quedan cerca.

  • Grounding

    Anclar las respuestas del modelo a fuentes concretas que tiene en el contexto, para que pueda justificarlas y citarlas.

  • RAG

    Técnica que recupera fragmentos relevantes de tus documentos y los añade al contexto para que el modelo responda con ellos.

  • Recuperación contextual

    Técnica de RAG que añade a cada fragmento una breve explicación de su contexto en el documento antes de indexarlo.

  • Reranking

    Segunda fase de búsqueda que reordena los candidatos recuperados con un modelo más preciso y se queda con los mejores.

  • Similitud coseno

    Medida de lo parecidos que son dos vectores según el ángulo entre ellos; la más usada para comparar embeddings.

  • Vector store

    Base de datos que guarda embeddings y permite buscar rápidamente los vectores más parecidos a una consulta.

Radar

1