RAG: Haz que tu IA sepa de tu mundo
Dar contexto propio a un LLM para que responda sobre tus documentos con trazabilidad. Embeddings, chunking con sentido, vector stores, pipeline de retrieval, citas navegables, generación con contexto limitado y evaluación del retrieval y las respuestas. El patrón que separa una respuesta inventada de una respuesta verificable.
15 lecciones en 3 semanas para extender una API de IA con recuperación: documentos, embeddings, pgvector, citas, evaluación y cierre reproducible.
- Duración
- 3 semanas
- Formato
- 3 semanas · 15 lecciones · proyecto final integrado
- Prerrequisitos
- Ninguno. Literalmente cero.
- Stack
- Next.js · OpenAI Embeddings · Supabase/Postgres · pgvector
Proyecto final
Chatbot que responde preguntas sobre documentos propios
Skills
- Embeddings
- Chunking
- Vector search
- Retrieval chain
- Output evaluation
Este bloque es abierto y gratuito. Sigue las lecciones en orden y cierra con el proyecto final. (15/15)
Currículum
Tres semanas, 15 lecciones y un proyecto final integrado. Síguelas en orden: base, criterio, experimento real.
- Semana 01Inmersión
Del contrato de API a recuperación
Conservar el contrato de la API Assist y crear el pipeline de documentos y embeddings.
- 0001Inicia tu RAG localCrear una app Next.js que recibe una pregunta sobre documentos propios.
- 0002Prepara documentos con trazabilidadNormalizar documentos sin perder su origen.
- 0003Crea embeddingsConvertir texto en vectores mediante una API de embeddings.
- 0004Divide en chunks con sentidoDividir documentos preservando contexto y metadata.
- 0005Indexa en tu vector storePersistir chunks y embeddings en una base vectorial.
- Semana 02Profundización
Respuestas con evidencia
Recuperar contexto, generar respuestas con citas y evaluar cuándo el sistema debe rechazar una pregunta.
- 0006Busca por similitudRecuperar los chunks más cercanos a una pregunta.
- 0007Construye el pipeline de retrievalConectar pregunta, embedding y búsqueda en una función de servidor.
- 0008Haz citas navegablesEntregar respuestas con evidencia verificable.
- 0009Genera con contexto limitadoPedir una respuesta basada solo en chunks recuperados.
- 0010Crea tu set de evaluaciónDefinir preguntas y respuestas esperadas para evaluar un RAG.
- Semana 03Construcción
Cerrar el RAG y hacerlo reproducible
Medir calidad, documentar los límites del corpus y dejar un proyecto que otra persona pueda ejecutar y evaluar.
- 0011Evalúa el retrievalMedir si la evidencia esperada llega a los primeros resultados.
- 0012Evalúa las respuestasRevisar fidelidad, utilidad y citas de respuestas generadas.
- 0013Especifica tu app de documentosDiseñar una app RAG de documentos propios con límites claros.
- 0014Construye y despliega tu RAGCompletar una app RAG con ingestión, búsqueda, respuesta y evaluación.
- 0015Presenta y prepara el productoDemostrar un RAG con evidencia y preparar decisiones para un producto de IA.
Recursos
Referencias curadas detrás de cada lección. Autoridad primero.
Cápsulas de base
Base de datos
Evaluación
¿Listo para construir?
Deja tu email. Cero spam, solo un aviso cuando abra un nuevo bloque.
Deja tu email. Cero spam, solo un aviso cuando abra un nuevo bloque.