RAG (generación aumentada por recuperación)

Técnica que recupera documentos relevantes de una base de conocimiento y los pasa al modelo para que responda basándose en tus datos.

La receta típica: trocear los documentos, indexarlos como embeddings en una base vectorial, recuperar los fragmentos más cercanos a la consulta y pasárselos al LLM como contexto. Así se reducen las alucinaciones y las respuestas se mantienen al día sin reentrenar.

Recursos relacionados

Tutorial del Marco LlamaIndex

Tutorial práctico de LlamaIndex, el framework diseñado para construir aplicaciones RAG que conectan LLMs con fuentes de datos personalizadas. Cubre pipelines de ingestión de datos, estrategias de indexación, motores de consulta y recuperación basada en agentes, con ejemplos prácticos para conectores de PDF, web y base de datos; ideal para desarrolladores que quieren construir asistentes de IA específicos de dominio basados en sus propios documentos.

Marco RAG de Haystack

Haystack es un framework open source de deepset para construir aplicaciones LLM listas para producción, especializado en RAG y pipelines de preguntas y respuestas. Ofrece componentes modulares para procesamiento de documentos, embeddings y recuperación, que se conectan fácilmente con modelos de OpenAI, Hugging Face y más.

Base de Datos de Vectores Qdrant

Qdrant es una base de datos vectorial open source de alto rendimiento y motor de búsqueda por similitud diseñada para producción. Escrita en Rust, potencia pipelines RAG, sistemas de recomendación y búsqueda semántica con filtrado de payload, multi-tenencia y opciones de despliegue autoalojado o cloud gestionado.