GuíaIntermedio

Guía de RAG de Producción e Ingesta de Documentos

Construye la plomería de datos de un RAG de producción sobre documentos reales de Reservo: trece documentos en tres formatos crudos (markdown, HTML y un `.txt` deliberadamente "sucio" que simula una extracción de PDF/OCR), y la conecta a un agente como una herramienta más. Cubre el pipeline completo de ingestión: parsear cada formato crudo, limpiar artefactos reales (headers repetidos, guionado roto, saltos de página), aplicar chunking con criterio y adjuntar los metadatos que hacen falta para citar la fuente después. Indexa esos chunks con un índice BM25 construido desde cero ($0, determinista, rotulado siempre como recuperación léxica real, el mismo algoritmo detrás de Elasticsearch/OpenSearch, y nunca como búsqueda semántica), y expone la búsqueda como la tool `search_docs(query, k)` que el agente invoca dentro de su propio bucle: recuperación agéntica, no un pipeline RAG monolítico de una sola pasada, con el agente decidiendo cuándo buscar y combinando la búsqueda con las tools de negocio de Reservo en el mismo turno. Cubre también la ingestión incremental e idempotente (reingestar documentos que cambian sin duplicar, detectando altas/modificaciones/bajas por hash de contenido), la evaluación de la calidad de recuperación con un set de queries de ground-truth fijo y métricas de forma (recall@k, precision@k, nunca un juez semántico), y la operación del sistema: citar fuentes, manejar el caso de cero resultados sin alucinar, filtrar chunks irrelevantes y estimar el costo del pipeline. Toda la ingeniería se ejecuta de verdad con Python 3.14 y `numpy`; la decisión del LLM es concepto. No enseña la teoría de embeddings ni construye un vector database: eso queda nombrado como el paso siguiente de AI Engineering.

lecciones
64
módulos
8
disponible en
Inglés · Español
certificado
Sí
acceso
Gratis
Resultados

Lo que vas a poder hacer

  • Parsear formatos de documento crudos: HTML, markdown, texto "sucio" tipo extracción de PDF/OCR, y limpiar artefactos reales: headers y footers repetidos, guionado roto, saltos de página
  • Aplicar chunking con criterio (tamaño fijo, consciente de la estructura del documento, con límite de oración) y entender el trade-off entre chunks pequeños (precisos, sin contexto) y chunks grandes (con contexto, relevancia diluida)
  • Adjuntar a cada chunk los metadatos necesarios para citar su fuente después: documento de origen, título, sección y posición
  • Construir un índice de búsqueda BM25 desde cero: índice invertido, term frequency, IDF, scoring, y reconocer honestamente su límite frente a la búsqueda semántica (no captura sinónimos ni paráfrasis)
  • Exponer la búsqueda como una tool (`search_docs`) con su contrato en JSON Schema, integrable al bucle de un agente exactamente igual que cualquier otra herramienta
  • Implementar recuperación agéntica: decidir cuándo conviene llamar a `search_docs`, reformular una query que no trajo resultados útiles, y combinarla con otras tools en el mismo turno
  • Construir ingestión incremental e idempotente: reingestar el corpus sin duplicar, detectar documentos nuevos, modificados o borrados por hash de contenido, y actualizar solo lo que cambió
  • Evaluar la calidad de la recuperación con un set de queries de ground-truth fijo y métricas deterministas (recall@k, precision@k) incluyendo un caso trampa que expone el límite real de la búsqueda léxica
  • Operar el sistema en producción: citar la fuente en cada respuesta, manejar el caso de cero resultados sin inventar, filtrar chunks irrelevantes con un umbral de score, y estimar el costo del pipeline
  • Ensamblar el pipeline completo: ingestión, índice, tool, recuperación agéntica, evaluación, como una herramienta de búsqueda de documentos lista para que un agente de Reservo la use
Antes de empezar

Qué necesitas traer

Es para ti si...

  • Devs que ya tienen un agente con tool calling y necesitan darle acceso confiable a documentos reales: políticas, FAQs, manuales
  • Backend o AI engineers responsables de ingerir documentos "sucios" (PDFs, HTML, texto extraído) para un sistema de búsqueda de producción
  • Quien necesita entender BM25 y la recuperación léxica de producción antes de dar el salto a embeddings y vector databases
  • Devs que quieren aprender recuperación agéntica: el agente decide cuándo buscar, en vez de un pipeline RAG monolítico de una sola pasada

Requisitos y materiales

  • Guía de Fundamentos de Agentes y Tool Calling completada (o equivalente: el contrato de una tool, el protocolo `tool_use`/`tool_result`)
  • Python básico e intermedio: expresiones regulares, `dataclasses`, una primera idea de `sqlite3`
  • Python 3.14 con su librería estándar y `numpy` (ya instalado); no requiere API key, conexión a internet ni instalar librerías de embeddings o vector databases
Contenido

El temario, módulo por módulo

Abre cualquiera para ver sus lecciones.

Bootcamps

Aprende con clases en vivo y revisión de tus entregas.

En grupo o 1 a 1, según tu horario.

Dudas frecuentes

Lo que suele preguntarse

Empieza cuando quieras

Reseñas

Lo que dicen los estudiantes

Estas reseñas son de estudiantes inscritos que completaron al menos el 50% del curso. Moderamos las reseñas solo por motivos de contenido (spam, lenguaje ofensivo, datos personales), nunca por ser críticas o negativas.

Aún no hay reseñas aprobadas.

¡Sé el primero en compartir tu experiencia!