Saltar al contenido principal

Módulo 1 - Introducción a RAG

Descripción general​

Este módulo le introduce a la Generación Aumentada por Recuperación (RAG), uno de los paradigmas más importantes en las aplicaciones modernas de IA. Aprenderá qué es RAG, por qué existe y cómo resuelve limitaciones críticas de los Large Language Models.

Objetivos de aprendizaje​

Al finalizar este módulo, usted podrá:

  • Definir RAG y explicar sus componentes principales
  • Comprender por qué RAG es necesario (limitaciones de los LLM)
  • Describir las tres fases de RAG: indexación, recuperación y generación
  • Visualizar el pipeline de RAG de extremo a extremo
  • Identificar casos de uso donde RAG sobresale

Contenido del módulo​

1. ¿Qué es RAG?​

  • Definición y etimología
  • El concepto de "recuperación + generación"
  • Cómo RAG difiere del fine-tuning
  • Breve historia de RAG

2. ¿Por qué RAG? Problemas con los LLM puros​

  • Alucinaciones y errores factuales
  • Fechas de corte de conocimiento
  • Falta de acceso a datos privados
  • Límites de tokens y ventanas de contexto

3. Descripción general de la arquitectura RAG​

  • Fase de indexación
  • Fase de recuperación
  • Fase de generación
  • Visualización del pipeline completo

Duración estimada​

2-3 horas (lectura + ejercicios + cuestionario)

Prerrequisitos​

  • Comprensión básica de LLMs (GPT, Claude, etc.)
  • Familiaridad con APIs
  • No se requiere programación para este módulo

Estructura del módulo​

Module 1
├── What is RAG? (Definition and concepts)
├── Why RAG? (Problems with LLMs)
├── RAG Architecture (The three phases)
└── Quiz (30 questions)
  1. ¿Qué es RAG? - Introducción completa
  2. ¿Por qué RAG? - Limitaciones de los LLM
  3. Arquitectura RAG - El pipeline
  4. Cuestionario - Módulo 1 - 30 preguntas

Vista previa de los puntos clave​

Después de completar este módulo, recuerde:

  1. RAG = Recuperación + Generación - Combinando búsqueda con LLMs
  2. RAG resuelve alucinaciones - Fundamentando las respuestas en datos reales
  3. Tres fases - Indexar → Recuperar → Generar
  4. RAG vs Fine-tuning - RAG para datos dinámicos, fine-tuning para comportamiento

¡Comencemos su recorrido por RAG!