Tema

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.

Más sobre este tema

9 min de lectura
Artículo

Un 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 minutos
Vídeo

Permisos 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 minutos
Vídeo

Mejora 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 lectura
Artículo

Ingestión 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 lectura
Artículo

Diseña 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 lectura
Artículo

Crea 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 lectura
Artículo

Elegir 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 minutos
Vídeo

Cómo 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 minutos
Vídeo

Cómo 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 minutos
Vídeo

RAG 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 minutos
Vídeo

RAG 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