Vídeos complementarios

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

El artículo deja atrás el RAG basado en fragmentación y embeddings para abordar las tres familias que realmente han mejorado la calidad: recuperación mediante grafos de conocimiento, bucles de recuperación con agentes y el enfoque de «introducir sin más un millón de tokens». Estos dos vídeos muestran una implementación funcional de dos familias en paralelo y la arquitectura GraphRAG de Microsoft en su forma original, de modo que las comparaciones del artículo cuenten con referencias concretas.

Selección principal

38:48

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.

Qué aprenderás: Compararás la recuperación con agentes y la recuperación mediante grafos en una implementación concreta.

Qué ver o saber antes: Conocimientos básicos de RAG, bases de datos gráficas y ejecutar una plantilla localmente.

Nota de AI Expert: Considera que las dependencias de la plantilla, los modelos y el código de orquestación dependen de la versión. La idea útil es planificar la recuperación; el uso en producción todavía exige permisos, evaluaciones y gestión de fallos.

Abrir página del vídeo

También merece la pena

15:58

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.

Qué aprenderás: Comprenderás el flujo de GraphRAG al estilo de Microsoft: extracción de entidades, comunidades, resúmenes y síntesis orientada a la consulta.

Qué ver o saber antes: Saber por qué la búsqueda vectorial básica puede fallar en preguntas con muchas relaciones.

Nota de AI Expert: Los comandos de configuración y los costes pueden cambiar, pero la arquitectura sigue siendo útil. Vuelve a calcular los costes vigentes por token y valida si está justificada la creación del grafo antes de adoptar este patrón.

Abrir página del vídeo