Dominar la ingeniería RAG4 / 10
Búsqueda Híbrida — Palabra clave + Vector
La búsqueda vectorial entiende significado pero falla con términos exactos, IDs y palabras raras. La búsqueda por palabra clave los domina y pierde la paráfrasis. Usa ambas.
La búsqueda vectorial es excelente en "qué significa esto" y mala en "encuentra el fragmento que literalmente dice ERR_CONN_4032." La búsqueda por palabra clave es lo opuesto. La RAG en producción usa ambas.
Dónde gana cada una
- Vector — paráfrasis, conceptos, "cómo cancelo" coincidiendo con "terminación de suscripción".
- Palabra clave (BM25) — términos exactos, códigos de error, nombres de productos, acrónimos, jerga rara que el embedding suaviza.
Ejecuta ambas para cada consulta; obtienes dos listas ordenadas.
Fusionar listas con RRF
Reciprocal Rank Fusion combina listas ordenadas sin necesitar puntuaciones comparables: cada documento obtiene 1 / (k + rank) de cada lista, sumado. Los documentos que se clasifican bien en cualquiera de las listas ascienden; los documentos fuertes en ambas dominan.
score(doc) = Σ 1 / (k + rank_in_list_i) # k ≈ 60
Es pocas líneas de código, no requiere calibración de puntuación, y supera de forma confiable a cualquiera de los recuperadores solos.
Serie — Dominar la ingeniería RAG
- Parte 01Por qué el RAG Ingenuo Falla en ProducciónLa demostración de búsqueda vectorial de 50 líneas que impresiona en un notebook se desmorona en el momento en que usuarios reales hacen preguntas reales. Aquí te mostramos por qué — y el mapa para salir.
- Parte 02Chunking — The Decision That Sets Your CeilingYou can't retrieve what you chunked badly. Chunking is the most under-rated lever in RAG — and the cheapest to get right.
- Parte 03Embeddings & Vector Stores 101Un embedding convierte significado en geometría. Un vector store hace esa geometría buscable en milisegundos. Acertar en ambos hace que la recuperación sea sencilla.
- Parte 04Búsqueda Híbrida — Palabra clave + Vector — estás aquíLa búsqueda vectorial entiende significado pero falla con términos exactos, IDs y palabras raras. La búsqueda por palabra clave los domina y pierde la paráfrasis. Usa ambas.
- Parte 05Re-Ranking — The Cheap Quality WinLa recuperación te obtiene 30 fragmentos plausibles. Un re-ranker los lee contra la pregunta actual y eleva los verdaderamente relevantes a la cima.
- Parte 06Prompting the Generator — Grounding & CitationsGreat retrieval is wasted if the model ignores it or can't point to its sources. Grounding is a prompt-design discipline, not an afterthought.
- Parte 07Evaluación — No puedes mejorar lo que no midesSin un conjunto de evaluación, cada cambio en RAG es una corazonada. Con uno, ajustas chunking, retrieval y prompts con un número que te dice si ayudaste o perjudicaste.
- Parte 08Handling Hallucinations & GuardrailsWhen retrieval comes up empty, a helpful model invents. Guardrails turn 'confidently wrong' into 'honestly unsure' — the difference users actually trust.
- Parte 09Disciplina de Costo y LatenciaUna consulta RAG toca embeddings, una base de datos vectorial, un re-ranker y un LLM. Cada uno suma milisegundos y centavos. A escala, la disciplina aquí es la diferencia entre un margen y un incendio.
- Parte 10La arquitectura de referencia RAG para producciónCada pieza, ensamblada: ingesta, recuperación híbrida, re-ranking, generación fundamentada, guardarraíles, evaluación y caché — el plano que puedes desplegar.