¿Qué es RAG y por qué es útil?
RAG es como una colega que abre una carpeta antes de responder.
lo que aprenderás
- Explique: el trapo accede a la evidencia, no se vuelve a capacitar
- Aplica la idea en un ejemplo: ¿Qué es RAG y por qué es útil?
- Reconocer las limitaciones y verificar el resultado del ejercicio.
RAG es como un colega que abre una carpeta antes de contestar. Compruebe que encuentre la página correcta y conserve su significado.
Puedes seguir este curso sin cuenta ni programación. Los ejemplos utilizan datos sintéticos y es necesario comprobar los resultados de la IA.
Cómo funciona, paso a paso
RAG accede a la evidencia, no se vuelve a capacitar
RAG significa generación aumentada de recuperación: la recuperación proporciona pasajes relevantes antes de que el modelo responda. La ingestión prepara documentos, mientras que la ejecución de consultas busca en el índice y crea contexto. Un modelo de incrustación representa el texto numéricamente; el modelo de respuesta escribe la respuesta. Los modelos de reordenamiento, visión, gráficos y enrutadores tienen diferentes roles cuando es necesario. RAG ayuda con información privada o cambiante pero no garantiza la veracidad. Utilice una API autorizada para saldos, inventario exacto o permisos; un documento antiguo no es una fuente confiable para el estado actual.
Los buenos documentos vienen antes que las buenas respuestas
Prepare texto legible, títulos claros, tablas con encabezados y fuentes sin duplicados innecesarios. La fragmentación divide un documento en pasajes recuperables por separado; La superposición preserva la continuidad entre los vecinos. Un trozo pequeño puede perder condiciones, mientras que uno grande introduce ruido. Los metadatos conservan la fuente, la posición y la versión, además del alcance del acceso cuando lo exija la implementación. Cargar almacena el archivo; la indexación hace que se pueda buscar. Cuando una fuente cambia, verifique que los fragmentos antiguos desaparezcan y se recuperen los nuevos antes de declarar actual la base de conocimientos.
La fluidez y la verdad se verifican por separado.
Una alucinación es un contenido incorrecto o sin fundamento presentado como respuesta. Puede surgir por falta de información, ambigüedad o patrones combinados incorrectamente. Solicite evidencia y verifique el documento original, fecha, unidades y condiciones. Es posible que una cita real aún no respalde el reclamo. Utilice fuentes actuales para hechos actuales, una calculadora para aritmética y “no pueda determinar” cuando faltan pruebas. No trate la confianza expresada en prosa como una probabilidad calibrada.
El esquema explicativo
Siga las flechas sólidas para el flujo principal. Las flechas azules discontinuas proporcionan datos o contexto; Las flechas discontinuas de color rosa muestran comentarios o resultados devueltos. Colores y formas distinguen modelos, tiendas, decisiones y resultados. La recuperación devuelve evidencia. Si un modelo de respuesta está habilitado, también redacta una respuesta; La evidencia recuperada aún necesita ser revisada. En pantallas pequeñas, desplázate horizontalmente para seguir todo el esquema.
Un ejemplo completo
Cargue e indexe la póliza ficticia, luego solicite su fecha límite. La recuperación proporciona el paso de 14 días al modelo. Una pregunta sobre garantía que no aparezca en la fuente debe tratarse como información faltante.
Pruébalo tú mismo
- Dibuje la ingesta y la ejecución de consultas por separado para la política de devolución.
- Registre la entrada, la fuente y el resultado esperado antes de ejecutar el experimento. Utilice únicamente los datos ficticios del ejemplo.
- Siga las etapas del diagrama. En cada paso registre qué información se recibe y se produce; No confunda el resultado intermedio con el resultado final.
- Repita después de eliminar la información necesaria o hacer que la entrada sea ambigua. Compruebe si el sistema aclara, detiene o inventa una respuesta.
- Comparar con la solución explicada. Conserve la configuración, fecha, resultado y una explicación de las diferencias. Cambie una cosa y vuelva a probar.
Una solución explicada
La respuesta se puede comparar con el pasaje; Las preguntas sin fundamento no reciben ninguna promesa inventada. Un ejercicio exitoso le permite mostrar la conexión entre los aportes, las etapas y el resultado. Cuando falta información, una respuesta cautelosa es más útil que detalles inventados. Compare más que estilo: compruebe también las condiciones, las fuentes y las operaciones.
Cuándo resulta útil y cuáles son sus límites
La indexación y la respuesta son caminos separados con diferentes modos de falla. Elija este enfoque cuando mejore una necesidad medida. Mantenga una línea de base simple y compare los resultados utilizando insumos idénticos. Un ejemplo exitoso no establece confiabilidad en todas las situaciones.
Comprueba lo que has aprendido
¿RAG cambia los parámetros de LLM?
No. Proporciona contexto en el momento de la solicitud; Los cambios de parámetros pertenecen al entrenamiento.
¿La carga completa significa que un documento está listo para RAG?
No. La extracción, la fragmentación y la indexación también deben completarse correctamente.
¿Qué resultado debería producir este ejercicio?
La respuesta se puede comparar con el pasaje; Las preguntas sin fundamento no reciben ninguna promesa inventada.
Términos que conviene recordar
- Recuperación: Encontrar información relevante en fuentes accesibles.
- Pedazo: Un pasaje de documento que se puede recuperar por separado.
- Toma de tierra: Fundamentar una respuesta en evidencia verificable.
Fuentes y su próximo paso
Para preparar: F03 — ¿Qué es un LLM y cómo responde? · P02 — Ingeniería de contexto: ¿qué llega al modelo? · P07: ¿Aviso, RAG o ajuste fino?