Buenas preguntas para probar RAG

Las preguntas del examen mapean necesidades reales. Un buen conjunto también incluye preguntas que los documentos no pueden responder.

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

Defina el éxito antes de optimizar

Preparar solicitudes representativas y respuestas o propiedades esperadas. Incluya casos comunes, ambigüedad, datos faltantes y errores de herramientas. Para RAG, mida la recuperación de evidencia por separado de la corrección de las respuestas. Recall@k mide la proporción de evidencia relevante encontrada en los primeros k resultados; precision@k mide la proporción de resultados devueltos que son relevantes. Para los agentes, también realice un seguimiento de las acciones, los permisos y las detenciones. Un LLM como juez puede acelerar la evaluación, pero necesita una calibración con respecto a los humanos. No cambie el indicador, el modelo y el índice simultáneamente si desea comprender qué mejoró los resultados.

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.

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. En pantallas pequeñas, desplázate horizontalmente para seguir todo el esquema.

Un ejemplo completo

Cree cuatro preguntas cada una sobre plazos, códigos exactos, relaciones, ambigüedad y datos ausentes. Registre la evidencia y el comportamiento esperado para cada uno.

Pruébalo tú mismo

1. Complete 20 filas con pregunta, fuente, respuesta esperada y categoría.
2. Registre la entrada, la fuente y el resultado esperado antes de ejecutar el experimento. Utilice únicamente los datos ficticios del ejemplo.
3. 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.
4. Repita después de eliminar la información necesaria o hacer que la entrada sea ambigua. Compruebe si el sistema aclara, detiene o inventa una respuesta.
5. 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

Tiene 20 casos que incluyen “información no disponible”; El contenido inventado no cuenta como completo. 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

Las preguntas del documento textual son demasiado fáciles como única prueba. 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

¿Un buen puntaje de estilo demuestra el éxito del agente?

No. El agente puede escribir maravillosamente después de utilizar la herramienta o los datos incorrectos.

¿RAG cambia los parámetros de LLM?

No. Proporciona contexto en el momento de la solicitud; Los cambios de parámetros pertenecen al entrenamiento.

¿Qué resultado debería producir este ejercicio?

Tiene 20 casos que incluyen “información no disponible”; El contenido inventado no cuenta como completo.

Términos que conviene recordar

• Regresión / Regresión: Un cambio que rompe un caso previamente correcto.
• Recuperación: Encontrar información relevante en fuentes accesibles.
• Toma de tierra: Fundamentar una respuesta en evidencia verificable.

Fuentes y su próximo paso

• LangGraph — Flujos de trabajo y agentes
• Lewis et al. — Generación aumentada de recuperación
• Hugging Face — LLM Course

Para preparar: D03 — Fragmentación y metadatos