RAG y sistemas de conocimiento

Crea 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.

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

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.

20 minutos

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.

7 minutos

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.

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.

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.

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 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.

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.

11 minutos

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.

26 minutos

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.

69 minutos

Los 5 niveles de fragmentación de texto para la recuperación

Greg Kamradt. El artículo dedica bastante espacio a la fragmentación; esta es la explicación más extensa y paciente de lo que hace realmente cada estrategia, desde la fragmentación recursiva por caracteres hasta la basada en la estructura del documento, la semántica y la agéntica. Combínala con la herramienta gratuita ChunkViz de Greg para desarrollar intuición antes de empezar a ajustar parámetros.

24 minutos

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

AI Jason. Reúne exactamente los componentes defendidos por el artículo —traducción de consultas, recuperación híbrida, reranking y un bucle de RAG correctivo— en una única implementación ejecutable. Ofrece un buen modelo mental de la canalización fragmento → reranking → respuesta cuando funciona como debe.

17 minutos

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

AI Engineer. Douwe Kiela dirigió en FAIR el artículo académico original sobre RAG y ahora despliega RAG en empresas reguladas. La charla se centra en lo que deja de funcionar a escala: estrategias de fragmentación que no resisten 100k documentos; «la precisión es un requisito mínimo, el verdadero problema es la imprecisión»; y por qué la atribución y la observabilidad importan más que el modelo de embeddings. Ofrece una buena calibración antes de releer las secciones del artículo sobre evaluación y monitorización.

19 minutos

Cómo crear aplicaciones RAG listas para producción: Jerry Liu

AI Engineer. El CEO de LlamaIndex explica la distancia entre una «demostración ingenua de RAG» y un pipeline real: small-to-big retrieval (recuperación de pequeño a grande), enrutamiento de subpreguntas, búsqueda híbrida y evaluación. La estructura de sus diapositivas se corresponde casi directamente con las secciones del pipeline del artículo; conviene verlo primero y releer después el artículo teniendo presentes sus diagramas.

9 minutos

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.

13 minutos

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.

39 minutos

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

Cole Medin. Es una implementación funcional que combina RAG con agentes y grafos de conocimiento; el agente decide cuándo utilizar la búsqueda vectorial, cuándo consultar Neo4j y cuándo hacer ambas cosas. Es la demostración más clara de YouTube del patrón «el agente como planificador de la recuperación» descrito en el artículo, con código que puedes descargar y ejecutar.

16 minutos

Graph RAG: cómo mejorar RAG con grafos de conocimiento

Prompt Engineering. Es una explicación centrada en GraphRAG de Microsoft —extracción de entidades, resúmenes de comunidades y resumen orientado a la consulta— configurado en un equipo local e incluyendo notas sobre costes. Consúltalo específicamente para la sección de Graph RAG del artículo; el análisis de costes es la parte que omiten la mayoría de las explicaciones escritas.