Módulo 8 · Embeddings y RAG¶
Etapa 2 · 34 h (12 h de teoría y 22 h de práctica) · 14 lecciones
Objetivo¶
Conectar modelos con conocimiento propio mediante búsqueda semántica y Retrieval-Augmented Generation, y saber evaluarlo y decidir cuándo conviene.
Qué vas a aprender¶
Embeddings (texto y multimodales) y métricas de similitud; bases vectoriales e índices (HNSW); chunking; pipeline de ingesta; búsqueda híbrida (BM25 + vectores); reranking; reescritura de consultas; citas; RAG agéntico; evaluación de RAG; alternativas (contexto largo, búsqueda por herramientas, grafos).
Antes de empezar¶
- Prerrequisitos: Módulo 6 y Módulo 7 (indispensables).
- Herramientas: PostgreSQL + pgvector (Docker), Chroma, modelos de embeddings (locales con Ollama o vía API), Python; Spring AI
VectorStore(Java, opcional).
Lecciones¶
Las lecciones con material tienen enlace. Las marcadas como Próximamente ya forman parte del programa y se están escribiendo. Las de la ruta esencial son el núcleo del módulo; las marcadas para profundizar amplían el tema y se pueden hacer después.
8.1 · Embeddings y búsqueda semántica¶
| ID | Lección | Tipo | Ruta | Material |
|---|---|---|---|---|
| L8.1.1 | Embeddings en profundidad Qué capturan, dimensiones, modelos, normalización y embeddings multimodales (texto e imagen en un mismo espacio). |
Mixta | Esencial | Próximamente |
| L8.1.2 | Similitud y búsqueda del vecino más cercano Similitud (coseno, producto punto, euclídea) y búsqueda del vecino más cercano: exacta vs. aproximada. |
Mixta | Profundizar | Próximamente |
| L8.1.3 | Bases vectoriales Pgvector, Chroma y servicios gestionados. Índices HNSW e IVF; filtros por metadatos. |
Práctica | Esencial | Próximamente |
8.2 · Construcción de un pipeline RAG¶
| ID | Lección | Tipo | Ruta | Material |
|---|---|---|---|---|
| L8.2.1 | Arquitectura RAG Ingesta → indexación → recuperación → generación. Por qué funciona y dónde falla. |
Conceptual | Esencial | Próximamente |
| L8.2.2 | Ingesta de documentos Ingesta: extracción de PDF, HTML y código; limpieza; metadatos. |
Práctica | Esencial | Próximamente |
| L8.2.3 | Chunking Chunking: tamaño, solapamiento, por estructura y semántico. Efectos en la calidad. |
Mixta | Esencial | Próximamente |
| L8.2.4 | Generación con contexto recuperado Prompt de RAG, citas y "no sé" cuando no hay evidencia. |
Práctica | Esencial | Próximamente |
8.3 · RAG avanzado¶
| ID | Lección | Tipo | Ruta | Material |
|---|---|---|---|---|
| L8.3.1 | Búsqueda híbrida y reranking Búsqueda híbrida y reranking. |
Práctica | Esencial | Próximamente |
| L8.3.2 | Reescritura de consultas y HyDE Reescritura y expansión de consultas, HyDE y consultas multi-paso. |
Mixta | Profundizar | Próximamente |
| L8.3.3 | RAG agéntico La recuperación como herramienta que decide el agente. |
Mixta | Profundizar | Próximamente |
| L8.3.4 | Alternativas a RAG Alternativas y complementos: contexto largo, búsqueda tipo grep en agentes de código, GraphRAG. Cuándo NO usar RAG y cuándo considerar fine-tuning. |
Conceptual | Esencial | Próximamente |
8.4 · Evaluación y operación¶
| ID | Lección | Tipo | Ruta | Material |
|---|---|---|---|---|
| L8.4.1 | Métricas de RAG Métricas: recall y precisión de recuperación, fidelidad (faithfulness) y relevancia de la respuesta. Construcción de un dataset de preguntas y respuestas. |
Mixta | Esencial | Próximamente |
| L8.4.2 | Herramientas de evaluación de RAG Herramientas de evaluación de RAG (por ejemplo Ragas, promptfoo o LLM como juez) y sus límites. |
Práctica | Profundizar | Próximamente |
| L8.4.3 | Operación de un sistema RAG Operación: actualización incremental, versionado del índice y control de acceso por documento. |
Mixta | Profundizar | Próximamente |
Práctica del módulo¶
- Guiado: búsqueda semántica sobre un conjunto de documentos con pgvector.
- Guiado: comparar tres estrategias de chunking con métricas.
- Independiente: agregar búsqueda híbrida y reranking y medir la mejora.
- Desafío: RAG con permisos por documento y prueba de que no filtra información.
Proyecto o entregable¶
Proyecto P4 · RAG sobre documentación técnica. sistema de preguntas y respuestas sobre documentación real, con ingesta, búsqueda híbrida, citas, dataset de evaluación de al menos 30 preguntas e informe de métricas. Versión Python obligatoria; versión Spring AI opcional. Reutiliza el cliente de P3.
Cómo se aprueba¶
P4 ≥ 80% en la rúbrica, con mejora demostrada respecto de la línea base; evaluación de módulo ≥ 80%.
Las reglas generales están en Evaluación y estados.
Hilos transversales¶
🔒 permisos y datos sensibles en índices · 📏 métricas de RAG · 💰 costo de embeddings y almacenamiento · 🧭 RAG vs. contexto largo vs. fine-tuning.