Conceptos RAG avanzados

El RAG clásico recupera por similitud. Y estas técnicas tienen limitaciones.

Si la respuesta a una pregunta exige combinar un dato del documento A con otro del documento C, y ninguno de los dos se parece especialmente a la pregunta, el recuperador falla. Tampoco sabe detectar que los fragmentos que ha recuperado se contradicen entre sí, ni que falta información para responder bien.

Ahí es donde entran las técnicas de RAG avanzado.

En este capítulo del libro Agent Design Patterns repasamos los fundamentos —también tienes la sesión completa sobre qué es RAG y cómo funciona— e introducimos las evoluciones que resuelven esas limitaciones:

• Graph RAG, que extrae del corpus las entidades y las relaciones explícitas entre ellas a través de un grafo.
• RAG agéntico, donde un agente evalúa la calidad, relevancia y completitud de lo recuperado, reconcilia conflictos entre fragmentos, razona en varios pasos e identifica lagunas de conocimiento.

Además, analizamos dos implementaciones completas y las comentamos paso a paso con código explicado:

• Con Google ADK, configuramos VertexAiRagMemoryService sobre RAG Engine y vemos cómo interactúan los parámetros similarity_top_k y vector_distance_threshold para filtrar lo irrelevante
• Con LangGraph, Weaviate y OpenAI, montamos un sistema RAG completo de principio a fin:
  • indexación,
  • definición del estado del grafo,
  • nodos de recuperación y generación,
  • ejecución con streaming paso a paso

Como te digo, cada ejemplo incluye la explicación detallada de cada componente, para que entiendas exactamente qué hace cada pieza y por qué está ahí.

¡Vamos a recuperar información para nuestro agente! 🔍

RAG avanzado: Graph RAG y RAG agéntico