RAG: una IA que conoce los documentos de tu empresa

Qué vas a ver en esta lección

1. RAG: que la IA busque antes de responder

   RAG (generación aumentada por recuperación) busca en tus documentos los trozos útiles y se los da a la IA junto a la pregunta.

2. Primero: ¿cabe todo en el contexto?

   Si tus documentos suman menos de unos 200.000 tokens, unas 500 páginas, a menudo es mejor meterlos enteros con caché.

3. La vía rápida: la búsqueda de archivos de la API

   OpenAI y Google ofrecen un RAG ya montado: subes los archivos y el modelo busca en ellos por su cuenta y cita la fuente.

4. Paso 1: trocear los documentos

   Si montas tu propio RAG, primero partes los documentos en trozos de unos cientos de tokens: se busca y se entrega trozo a trozo.

5. Paso 2: embeddings y base vectorial

   Un embedding convierte cada trozo en una lista de números que resume su significado: los textos parecidos quedan cerca.

6. Búsqueda híbrida: palabras más significado

   Combina la búsqueda por palabras exactas (BM25, la de los buscadores clásicos) con la de significado y fusiona las dos listas.

7. Reordenado: un segundo filtro más listo

   Un reranker relee la pregunta junto a cada candidato y los ordena por relevancia real antes de pasárselos a la IA.

8. Recuperación contextual: cada trozo, con su contexto

   Antes de indexar, la IA añade a cada trozo una o dos frases que explican de qué documento y apartado viene.

9. Resumen

   Empieza por lo más simple que funcione y añade técnicas solo cuando tus pruebas demuestren que hacen falta.