RAG y sistemas de conocimiento

Crea un RAG personal: conversa con tus documentos (sin código)

Crea en menos de una hora y sin código un asistente fundamentado en tus documentos. Conoce las tres opciones que merece la pena utilizar en 2026, sus ventajas e inconvenientes y los patrones que distinguen un RAG útil de uno frustrante.

Cómo crear un RAG de producción: ingesta, embeddings, recuperación, reranking y evaluación

Un pipeline de RAG de producción consta de seis etapas, cada una con patrones que determinan la calidad. Esta es la arquitectura, las decisiones de cada etapa y la disciplina de evaluación iterativa que distingue un RAG eficaz de otro decepcionante.

10 min de lectura

RAG 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.

Más sobre este tema

9 min de lectura

A personal knowledge system that helps you retrieve, not hoard

Highlights, clippings, and AI summaries pile up without making you smarter. A small capture-to-retrieval system built around three real decisions — plus what to do about sensitive notes, other people's data, and the false privacy of a personal account.

Permisos y control de acceso para RAG: tutorial detallado

Mejora tu RAG y tus agentes de IA con Docling

Ingestión segura de documentos para RAG: PDFs, OCR, metadatos y conservación

La calidad de un RAG comienza antes de la recuperación. Esta guía aborda la ingesta segura de PDF, OCR, metadatos, permisos, vigencia de las fuentes, eliminación, riesgo de malware y responsabilidad operativa.

El agente de soporte al cliente con IA que resuelve el 70% de los tickets

Un diseño realista para un agente de soporte al cliente con IA que resuelve los casos habituales, deriva los difíciles y evita los errores que terminan en Hacker News. Incluye la arquitectura, los prompts y las medidas de protección.

Fragmentación, reranking y búsqueda híbrida: consigue que RAG funcione de verdad

La mayoría de las implementaciones de RAG funcionan mal porque fallan en tres aspectos. Una guía práctica para fragmentar documentos, reordenar resultados y combinar la búsqueda por palabras clave con la semántica, sin convertirte en especialista en motores de búsqueda.

Ingeniería de contexto: cómo gestionar ventanas de 1M de tokens sin degradar la calidad

Las ventanas de contexto de 1M de tokens existen, pero la calidad se degrada mucho antes de alcanzar ese límite. La ingeniería de contexto determina qué incluir, qué resumir, qué recuperar en el momento necesario y qué patrones mantienen la calidad a medida que aumenta el contexto.

Crea tu primer agente de IA en n8n: un flujo completo para clasificar leads

Una guía completa para crear un agente de IA real en n8n que clasifica los leads entrantes, amplía sus datos, los puntúa y los dirige al destino adecuado. Incluye todos los nodos, prompts y detalles importantes.

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.

RAG más allá de los fragmentos: Graph RAG, RAG con agentes y RAG de contexto largo

El RAG clásico basado en fragmentos tiene límites. Graph RAG, el RAG con agentes y el RAG de contexto largo los superan de formas distintas. Esta guía explica cuándo conviene cada variante, cómo funciona realmente y qué compromisos importan en producción.

«Quiero que Llama3 rinda 10x con mi conocimiento privado»: RAG agéntico local con llama3

Agentes RAG en producción: 10 lecciones aprendidas — Douwe Kiela, creador de RAG

Cómo crear aplicaciones RAG listas para producción: Jerry Liu

RAG frente a ajuste fino

RAG vs Fine-Tuning vs Prompt Engineering: Optimizando modelos de IA

Presentación de RAG 2.0: RAG con agentes + grafos de conocimiento (plantilla gratuita)

Graph RAG: cómo mejorar RAG con grafos de conocimiento