RAG y sistemas de conocimiento
RAG personal, recuperación en producción, fragmentación, permisos, ingesta y límites de las fuentes.
13 contenidos (7 artículos · 6 vídeos)
Comienza aquí
Una selección inicial antes de explorar todo el contenido.
10 min de lecturaCrea un RAG personal: conversa con tus propios documentos
Crea y evalúa un asistente acotado y fundamentado en documentos. Compara cuadernos alojados, espacios de proyecto y recuperación configurable sin debilitar la procedencia ni los permisos.
Intermedio
10 min de lecturaRAG de conocimiento corporativo: permisos, filtraciones y límites de las fuentes
Un asistente de conocimiento corporativo solo es seguro si la recuperación respeta los permisos. Explicamos cómo diseñar límites de fuentes RAG, filtrado por ACL, responsables de documentos, registros, tratamiento de fuentes obsoletas y respuestas de rechazo.
AvanzadoMás sobre este tema
9 min de lecturaUn sistema personal de conocimiento que te ayuda a recuperar, no a acumular
Un sistema acotado de captura a recuperación con casos de uso explícitos, pruebas de recuperación, fechas de revisión, reglas de eliminación y advertencias sobre notas sensibles, datos de otras personas y cuentas en manos del proveedor.
Intermedio
20 minutosPermisos y control de acceso para RAG: tutorial detallado
Paragon. Explica el problema de los permisos en un RAG de producción y compara las llamadas a herramientas, los espacios de nombres, las tablas ACL y los permisos basados en relaciones. Esto respalda directamente la regla principal del artículo: la recuperación solo debe devolver fuentes que el usuario actual esté autorizado a ver, y los permisos de los sistemas de origen no pueden tratarse como una consideración posterior.
Avanzado
7 minutosMejora tu RAG y tus agentes de IA con Docling
IBM Technology. Explica la parte de ingestión de RAG y de los agentes: cómo preparar PDFs y otros archivos para que la estructura del documento, las tablas y el diseño se conserven durante la recuperación posterior. Esto respalda la advertencia del artículo de que la calidad y la seguridad de RAG comienzan antes de crear embeddings, especialmente al procesar documentos empresariales complejos.
Avanzado
11 min de lecturaIngestión segura de documentos para RAG: PDFs, OCR, metadatos y conservación
La calidad del RAG comienza antes de la recuperación. Una guía de ingestión segura para PDFs, OCR, metadatos, permisos, frescura de las fuentes, eliminación, riesgo de malware y propiedad operativa.
Avanzado
11 min de lecturaDiseña un agente de soporte al cliente con IA: triaje, conocimiento, acciones y derivación
Un diseño de referencia evaluado sobre la cola para el triaje, la recuperación, la redacción de respuestas, las acciones controladas y la derivación humana, con los límites de política y medición necesarios para un piloto seguro.
Intermedio
11 min de lecturaCrea tu primer agente de IA en n8n: un flujo de trabajo completo de triaje de leads
Un diseño de triaje de leads en n8n revisado por documentación: valida la entrada, restringe las herramientas del agente, valida el resultado estructurado, persiste una propuesta atómica y mantiene todas las acciones visibles para el cliente detrás de una aprobación.
Intermedio
12 min de lecturaElegir entre prompting, RAG y fine-tuning (y cuándo combinarlos)
El prompting, RAG y el fine-tuning son las tres grandes palancas para adaptar los LLM a un problema. Cada una resulta adecuada en situaciones diferentes. Este marco ayuda a elegir, explica sus costes reales y muestra los patrones de producción en los que conviene combinarlas.
Avanzado
11 minutosCómo usar NotebookLM para principiantes en 2024 (tutorial de NotebookLM)
TheAIGRID. Este recorrido antiguo muestra la subida de fuentes mixtas, el enfoque en una sola fuente, los documentos informativos y los resúmenes de audio de la interfaz de entonces. Sirve para reconocer componentes del flujo, no para confirmar la interfaz o las funciones actuales de Gemini Notebook.
Intermedio
26 minutosCómo usar NotebookLM (la «herramienta para comprender» con IA de Google)
Tiago Forte. Tiago Forte, autor de *Building a Second Brain*, muestra el producto entonces llamado NotebookLM con notas, PDF y recortes. El patrón útil consiste en seleccionar fuentes acotadas, formular preguntas documentales, inspeccionar los pasajes enlazados y decidir cómo encajan los artefactos resultantes en un flujo de conocimiento.
Intermedio
9 minutosRAG frente a ajuste fino
IBM Technology. Se centra en las dos técnicas que los equipos confunden con mayor frecuencia. Profundiza en la vigencia de los datos, la atribución de fuentes y la ventaja de velocidad durante la inferencia que puede aportar el fine-tuning. Merece la pena verlo si necesitas argumentar contra un proyecto de fine-tuning innecesario.
Avanzado
13 minutosRAG vs Fine-Tuning vs Prompt Engineering: Optimizando modelos de IA
IBM Technology. Es un repaso claro en la pizarra de las tres técnicas y sus costes respectivos —latencia de recuperación, cómputo de entrenamiento, olvido catastrófico y límites de las soluciones basadas únicamente en prompts—, además de las combinaciones que tienen sentido en producción. El ejemplo final de un sistema de IA jurídica que utiliza las tres técnicas coincide casi exactamente con el argumento del artículo sobre cuándo combinarlas.
Avanzado