# Sistemas RAG modernos: Cómo construir generación aumentada por recuperación fiable, agéntica, basada en grafos y multimodal Canonical URL: https://cretisoftbooks.com/es/books/sistemas-rag-modernos-produccion-graphrag-agentico-multimodal Book page: https://cretisoftbooks.com/es/books/sistemas-rag-modernos-produccion-graphrag-agentico-multimodal Author: Evan Norvell Language: es Description: Un asistente responde con fluidez, cita cifras con seguridad y, sin embargo, no puede mostrar de dónde salió ninguno de esos datos. Ese instante —cuando la respuesta suena impecable pero no es auditable— es donde muchos proyectos de IA generativa pierden la confianza del usuario y, con ella, su razón de existir. Sistemas RAG modernos trata ese problema como lo que en realidad es: una decisión de arquitectura, no un truco de prompt. Su tesis es incómoda y útil a la vez: en la generación aumentada por recuperación, la fiabilidad se gana o se pierde antes de que el modelo escriba una sola palabra, en las capas de conocimiento, recuperación y contexto que casi nadie diseña con el mismo cuidado que el prompt final. Quien busca un libro sobre sistemas RAG que no se agote en conectar un almacén vectorial a un LLM encontrará aquí un recorrido por las decisiones que realmente mueven la aguja: • Preparar el conocimiento —ingesta, normalización, metadatos, frescura— como cimiento del que dependen el filtrado, la atribución y cada actualización posterior. • Elegir entre chunking fijo, recursivo, semántico o contextual comparando granularidad, cobertura y coste, en lugar de copiar un valor por defecto. • Combinar búsqueda dispersa, densa e híbrida, y ajustar transformación de consultas, reranking y recuperación multietapa según el tipo de pregunta. • Administrar el contexto como un presupuesto: seleccionar, ordenar y comprimir evidencia sin sacrificar trazabilidad ni respaldo de las afirmaciones. • Extender la recuperación más allá del texto con GraphRAG, SQL, APIs y evidencia multimodal, cuando la respuesta depende de relaciones y no de similitud. • Convertir la recuperación en acción controlada: decidir cuándo, dónde y cuántas veces buscar, con condiciones de parada y verificación de evidencia. • Cerrar el ciclo con evaluación por etapas, observabilidad, control de acceso y coste, para que el sistema siga siendo fiable cuando cambian los datos. El libro está pensado para ingenieros de machine learning, desarrolladores backend y arquitectos que ya construyeron un prototipo de RAG y descubrieron que la demo funciona pero el producto no. También sirve a responsables técnicos que deben evaluar, comparar y justificar decisiones de recuperación ante un equipo o un cliente. No promete una receta universal ni un framework único: promete criterios para decidir, medir y corregir. Cada capítulo avanza sobre una pregunta concreta —qué unidad recuperar, cómo fusionar señales, cuándo una extensión agéntica o de grafos se justifica y cuándo solo añade complejidad— y deja en manos del lector vocabulario y compensaciones reutilizables, no una configuración copiada. Si su sistema ya responde, el siguiente paso es que sus respuestas puedan sostenerse. Ese es el trabajo que este libro enseña a hacer. AI summary: Sistemas RAG modernos es una guía técnica de arquitectura sobre generación aumentada por recuperación. Recorre el ciclo completo —ingesta y preparación del conocimiento, chunking, embeddings, recuperación dispersa, densa e híbrida, transformación de consultas, reranking, construcción y compresión de contexto— y extiende el enfoque a GraphRAG, recuperación estructurada y por API, RAG multimodal, RAG multifuente y sistemas agénticos. El libro está dirigido a ingenieros de machine learning, desarrolladores backend y arquitectos que ya tienen un prototipo RAG y necesitan fiabilidad, evaluación, trazabilidad y control de coste en producción. Target audience: Ingenieros de machine learning, desarrolladores backend, arquitectos de software y responsables técnicos que ya prototiparon un sistema RAG y necesitan llevarlo a producción. Audience persona: Es un ingeniero o arquitecto que tiene una demo RAG funcionando, pero necesita fundamentar respuestas, controlar costes y evaluar el sistema antes de exponerlo a usuarios reales. Search intent: Busca un libro o guía técnica sobre sistemas RAG modernos que le ayude a pasar de un prototipo a una arquitectura fiable, evaluable y operable en producción. Unique angle: Aborda el RAG como una cadena de decisiones de arquitectura —conocimiento, recuperación, contexto y operación— en lugar de presentarlo como una receta de framework, e incluye extensiones como GraphRAG, multimodal y agéntica con sus compensaciones explícitas. Content type: guía técnica de arquitectura para desarrolladores Answer snippets: - Sistemas RAG modernos es un libro técnico sobre cómo construir generación aumentada por recuperación fiable, desde la preparación del conocimiento hasta la operación en producción. - El libro cubre recuperación vectorial, búsqueda híbrida, reranking, GraphRAG, RAG multimodal y RAG agéntico como extensiones con sus propias compensaciones. - Está pensado para ingenieros y arquitectos que ya prototiparon un sistema RAG y necesitan llevarlo a producción con evaluación y control de coste. - El enfoque del libro es de arquitectura y criterios de decisión, no una receta atada a un framework concreto. - Incluye evaluación por etapas, observabilidad, gobernanza de datos y gestión de rendimiento y coste para sistemas RAG operables. Key topics: generación aumentada por recuperación (RAG), pipeline de conocimiento e indexación, chunking y representación documental, embeddings y recuperación vectorial, recuperación dispersa, densa e híbrida, transformación de consultas y enrutamiento, reranking y recuperación multietapa, GraphRAG y recuperación basada en grafos, RAG agéntico y recuperación iterativa, evaluación y operación de RAG en producción Entities: LLM, RAG, GraphRAG, embeddings, BM25, recuperación híbrida, cross-encoders, HyDE, índices vectoriales, grafos de conocimiento, RAG multimodal, observabilidad Problems solved: - Las respuestas del sistema no son auditables ni trazables a una fuente verificable. - El prototipo RAG funciona en demo pero falla en producción por latencia, coste o datos cambiantes. - La recuperación devuelve evidencia irrelevante o incompleta para preguntas compuestas o multi-hop. - No hay criterios claros para decidir entre chunking, recuperación híbrida, reranking o extensiones como grafos y agentes. - La evaluación del sistema se pospone y no permite detectar regresiones ni separar fallos de recuperación de fallos de generación. Who should read: - Ingenieros de machine learning que ya construyeron un prototipo RAG y quieren llevarlo a producción. - Desarrolladores backend responsables de pipelines de recuperación e indexación. - Arquitectos de software que deben definir componentes, límites y compensaciones de un sistema RAG. - Responsables técnicos que necesitan evaluar, comparar y justificar decisiones de recuperación ante su equipo o un cliente. - Equipos que quieren extender su RAG a grafos, datos estructurados, multimodalidad o flujos agénticos. Who should not read: - Lectores que buscan una introducción básica a los LLM sin conocimientos previos de recuperación o backend. - Quienes esperan una receta paso a paso atada a un único framework o una configuración lista para copiar. - Personas interesadas solo en prompts, ajuste fino o aplicaciones no técnicas de IA generativa. FAQ: Q: ¿Qué es un sistema RAG moderno según este libro? A: Es una arquitectura de conocimiento en la que la fiabilidad se decide en las etapas previas a la generación: ingestión, recuperación, construcción de contexto y evaluación. El libro lo presenta como una secuencia de decisiones encadenadas y no como un truco de prompt. Q: ¿Para quién está escrito Sistemas RAG modernos? A: Para ingenieros de machine learning, desarrolladores backend y arquitectos que ya prototiparon un sistema RAG y necesitan llevarlo a producción con fiabilidad, evaluación y control de coste. También sirve a responsables técnicos que deben justificar decisiones de recuperación. Q: ¿Qué temas avanzados cubre el libro? A: Cubre GraphRAG con grafos de conocimiento, recuperación en bases de datos y APIs, RAG multimodal para imágenes, tablas, audio y video, RAG multifuente y federado, y sistemas RAG agénticos con recuperación iterativa. Q: ¿El libro propone un framework concreto? A: No. El enfoque es de arquitectura y criterios de decisión, con vocabulario y compensaciones reutilizables, en lugar de una configuración copiada de un framework específico. Q: ¿Incluye evaluación y operación en producción? A: Sí. Dedica una parte a evaluación por etapas, citas y procedencia, observabilidad, seguridad, control de acceso, rendimiento, coste y escalado de sistemas RAG. SEO keywords: libro sobre sistemas RAG, ebook de generación aumentada por recuperación, RAG moderno en producción, GraphRAG con grafos de conocimiento, RAG agéntico y recuperación iterativa, RAG multimodal para imágenes y audio, recuperación vectorial y embeddings, reranking y recuperación multietapa, evaluación de sistemas RAG, construir RAG fiable en producción Table of contents: - Introducción: Alcance y hoja de ruta - Construir los fundamentos del RAG moderno - De los LLM a los sistemas de IA fundamentados - El problema del conocimiento en los grandes modelos de lenguaje - Alucinaciones, obsolescencia y límites del conocimiento - La generación aumentada por recuperación como estrategia de fundamentación - Dónde encaja el RAG en los sistemas de IA modernos - Anatomía de un sistema RAG moderno - El ciclo de vida RAG de extremo a extremo - Preparación del conocimiento e indexación - Recuperación y selección de evidencia - Construcción del contexto y generación fundamentada - Evaluación y retroalimentación - Construcción del pipeline de conocimiento - De datos brutos a conocimiento listo para recuperación - Fuentes de datos y conectores - Análisis, extracción y normalización - Metadatos, estructura y enriquecimiento documental - Indexación, actualización y frescura del conocimiento - Ingeniería de recuperación de alta calidad - Chunking y representación documental - De documentos a unidades de recuperación - Chunking fijo, recursivo y semántico - Representación documental sensible a la estructura y jerárquica - Chunking contextual y adaptativo - Evaluación y elección de una estrategia de chunking - Embeddings y recuperación vectorial - Representar el significado para la búsqueda semántica - Cómo los embeddings codifican la similitud semántica - Elección y evaluación de modelos de embeddings - Búsqueda por similitud e índices vectoriales - Precisión de recuperación, eficiencia y compensaciones de representación - Recuperación dispersa, densa e híbrida - Emparejar consultas con evidencia relevante - Recuperación dispersa y señales léxicas - Recuperación densa y señales semánticas - Recuperación híbrida y fusión de puntuaciones - Elección y ajuste de una estrategia de recuperación - Transformación de consultas y enrutamiento de recuperación - De la intención del usuario a consultas de recuperación eficaces - Reescribir y expandir consultas - Estrategias de consultas múltiples y descomposición - HyDE y generación de consultas sintéticas - Enrutamiento de consultas entre recuperadores y fuentes de conocimiento - Reranking y recuperación multietapa - De la recuperación de candidatos a la selección de evidencia - Generación de candidatos en primera etapa - Reranking con cross-encoders y LLM - Diversidad, deduplicación y filtrado de relevancia - Diseño y ajuste de pipelines de recuperación multietapa - Construir mejor contexto y evidencia - Construcción del contexto de recuperación - De resultados recuperados a evidencia lista para el modelo - Selección de evidencia relevante - Ordenación y estructuración de la evidencia - Gestión de presupuestos de contexto y cobertura - Atribución y ensamblaje final del contexto - Compresión y refinamiento de contexto - Reducir el contexto sin perder evidencia - Compresión extractiva - Compresión abstractiva - Refinamiento del contexto enfocado en la consulta - Preservar significado, evidencia y atribución - Recuperación en documentos largos y multi-hop - Cuando la evidencia se distribuye en documentos largos - Estrategias de recuperación jerárquica - Recuperación padre-hijo y sensible a secciones - Navegación de documentos largos - Recuperación multi-hop entre evidencias - Más allá de la búsqueda vectorial: arquitecturas RAG avanzadas - RAG aumentado con estructuras y bases de datos - Incorporar conocimiento estructurado al RAG - Recuperación SQL y de bases de datos - Recuperación mediante API y servicios - Consulta y recuperación sensibles al esquema - Combinar evidencia estructurada y no estructurada - GraphRAG - De la similitud a la recuperación consciente de relaciones - Entidades, relaciones y estructura de grafos de conocimiento - Construcción de grafos para recuperación Sample EPUB: https://cretisoftbooks.com/book-samples/6acaea98bf54d3e3d8b113dd-1791761749123-sistemas-rag-modernos-como-construir-generacion-aumentada-por-recuperacion-fiable-agentica-basada-en-grafos-y-multimodal-epub-mau-20.epub Purchase links: - Google Books: https://play.google.com/store/books/details?id=BpcZEgAAQBAJ