¿Cómo funciona RAG?
Aprende RAG
Cómo conectar un modelo de lenguaje con tus propios documentos para que responda con información actual y verificable.
10 conceptos~14 min en totalNivel 2 · Intermedio
Empezar con Large Language Model - 1Large Language ModelUn modelo de IA entrenado con enormes cantidades de texto para predecir la siguiente palabra, lo que le permite conversar, escribir, resumir y razonar.
- 2EmbeddingsUna forma de convertir información como palabras, imágenes o documentos en listas de números que una computadora puede comparar matemáticamente.
- 3Semantic SearchBuscar información por su significado en lugar de por coincidencia exacta de palabras.
- 4Vector DatabaseUna base de datos diseñada para almacenar embeddings y encontrar rápidamente los más parecidos a una consulta.
- 5ChunkingDividir documentos largos en fragmentos más pequeños (chunks) para indexarlos y recuperarlos en un sistema RAG.
- 6RetrievalEl proceso de encontrar, dentro de una colección grande, los documentos o fragmentos más relevantes para una consulta.
- 7RerankingUn segundo paso que reordena los resultados de búsqueda con un modelo más preciso para quedarse con los más relevantes.
- 8Retrieval-Augmented GenerationUna técnica que conecta un LLM con fuentes de información externas: primero busca documentos relevantes y luego genera la respuesta basándose en ellos.
- 9GroundingHacer que las respuestas de un modelo se basen en fuentes concretas y verificables en lugar de solo en su memoria.
- 10Agentic RAGUna variante de RAG en la que un agente decide cuándo, qué y cuántas veces buscar, en lugar de hacer una sola búsqueda fija.