¿Qué son los embeddings? De palabras a vectores numéricos

El problema de la alucinación y el corte de conocimiento

RAG vs. Fine-tuning: cuándo usar cada técnica

Anatomía de un sistema RAG: de la ingesta a la respuesta

Conectores de datos: de PDFs y webs a texto plano

Estrategias de chunking: tamaño fijo, recursivo y semántico

El poder de los metadatos para filtrar y citar fuentes

Bases de datos vectoriales: almacenamiento y búsqueda de similitud

Pipeline de indexación: uniendo carga, chunking y embeddings

Más allá de la similitud semántica: la búsqueda híbrida

Reranking: un segundo filtro para la máxima relevancia

Filtrado por metadatos: implementando permisos de acceso

Prompting para RAG: instruir al LLM para que use el contexto

Generación con citas y técnicas anti-alucinación

Guardarraíles de IA: control de toxicidad, tópicos y formato

Métricas de evaluación para RAG: RAGAS y ARES

Arquitecturas de producción: costos, latencia y escalabilidad

Monitoreo en producción: logs, feedback y mejora continua