Capítulo 12 de 14 · Parte VIII

Retrieval-Augmented Generation (RAG)

Parte VIII · RAG y agentes de IA

Capítulo 12

Retrieval-Augmented Generation (RAG)

LLM combinados con conocimiento propio y capacidad de actuar sobre el mundo.

Nivel avanzadoLogotipo JMA

Qué encontrará en este capítulo

  1. 12.1¿Por qué RAG?
  2. 12.2Embeddings vectoriales
  3. 12.3Bases de datos vectoriales
  4. 12.4Estrategias de chunking
  5. 12.5Prototipo mínimo de RAG
  6. 12.6RAG avanzado
  7. 12.7RAG frente a contexto largo
  8. 12.8Evaluación del sistema RAG

8 secciones · 10 apartados · 6 ejercicios con soluciones

Capítulo 12 de 14
Objetivos de aprendizaje del capítulo (6)
  • Comprender cuándo RAG puede mejorar un sistema y cuándo usarlo, y en qué se diferencia de trabajar con ventanas de contexto largas.
  • Implementar embeddings y búsqueda vectorial, y elegir un modelo de embeddings adecuado a su caso (comercial o abierto).
  • Explicar por qué las bases de datos vectoriales usan índices de vecinos aproximados (HNSW, IVF) y qué compromiso introducen.
  • Diseñar estrategias de chunking efectivas para distintos tipos de documento.
  • Construir un prototipo de RAG con troceado, indexación incremental, abstención y citas, y conocer sus simplificaciones frente a un sistema de producción.
  • Evaluar un sistema RAG con un protocolo riguroso: métricas de recuperación (Recall@k, MRR, nDCG), métricas de generación y herramientas como RAGAS, con sus limitaciones.