Cada fase, una página. Cada pieza, una ficha.
El pipeline completo del RAG en 18 fases, 75 piezas y 7conjuntos (frameworks). Navega por estación, entra en cada fase y compara antes de llevarlo al lienzo.
LlamaIndex
De los datos a la respuesta: readers, node parsers, retrievers y query engines
LangChain / LangGraph
Orquestación de recuperación y generación; LangGraph añade grafos y agentes
Haystack (deepset)
Pipelines declarativos de extremo a extremo, muy apreciado en producción
Azure AI Search
Indexa, trocea, embebe y busca en un solo servicio gestionado
Elasticsearch
BM25 + kNN: búsqueda y almacenamiento en uno
ragkit ★
RAG agéntico llave en mano para .NET (MIT): ingesta idempotente, híbrido BM25+densa con RRF, guardarails y agente con 13 herramientas (github.com/JavierFrauca/Ragkit)
nucleus ★
El núcleo de servicio del RAG: rack validado, búsqueda determinista y rerank (github.com/JavierFrauca)
Modelo de conocimiento
Dominios y etiquetas con descripción. Se diseña ANTES de ingestar: lo que nunca se modeló no se puede filtrar. 2 piezas →
recomendadaCorpus
Fuentes del conocimiento: ficheros, web, APIs, MCPs, wikis… 6 piezas →
obligatoriaIngesta
Extracción y carga: lectores de formato, OCR, scrapers, conectores. 4 piezas →
obligatoriaNormalización de formato
Todo el corpus a un formato común (normalmente Markdown): PDF, DOCX, HTML, correo → una sola bandeja estructurada antes de curar. 4 piezas →
recomendadaLimpieza
Normalización, deduplicación, corrección, calidad. 4 piezas →
recomendadaEstructura
Segmentación y clasificación por dominios y tipos documentales. 2 piezas →
opcionalTransversales
Hilado de documentos: conceptos con respuesta en chunks de distintos dominios. 2 piezas →
opcionalChunking
La píldora de información: el tamaño se hereda del dominio y debe caber en el modelo de embedding. 4 piezas →
obligatoriaMetaetiquetado
Metadatos por chunk: dominio, etiquetas, vigencia, seguridad, linaje. 10 piezas →
recomendadaSíntesis
Resúmenes con LLM de chunks o documentos (doble campo: resumen + original). 2 piezas →
opcionalEmbedding
Modelo que convierte texto en vectores. Su límite de tokens determina el tamaño máximo de la píldora. 11 piezas →
obligatoriaAlmacenamiento
BD vectorial, índice léxico (BM25) o híbrido, con metadatos filtrables y modelo de datos diseñado. 9 piezas →
obligatoriaMedición de ruido
Detectar chunks que se tropiezan con búsquedas de dominios no alineados. 2 piezas →
recomendadaRecuperación
Densa, sparse, híbrida, prefiltro determinista por metadatos. 5 piezas →
obligatoriaReranking
Cross-encoders, rerankers, boost de transversales. 2 piezas →
recomendadaGeneración
LLM generador, plantillas de prompt, citas de fuentes. 2 piezas →
obligatoria