Quiz: Técnicas Avanzadas de RAG
Ponga a prueba su conocimiento sobre transformación de consultas, multi-query, HyDE y self-query.
30 preguntas - Haga clic en cada pregunta para revelar la respuesta correcta.
P1: ¿Qué es la transformación de consultas?
Respuesta: Modificar la consulta del usuario antes de la recuperación para mejorar los resultados; incluye reescritura, expansión y HyDE.
P2: ¿Qué significa HyDE?
Respuesta: Hypothetical Document Embeddings
P3: ¿Cómo funciona HyDE?
Respuesta: Genera una respuesta hipotética a la consulta, la convierte en embedding y la utiliza para la recuperación (mejor alineación con los documentos).
P4: ¿Por qué HyDE mejora la recuperación?
Respuesta: El documento hipotético utiliza un vocabulario más similar al de los documentos reales que la consulta original.
P5: ¿Qué es la expansión de consultas?
Respuesta: Añadir términos relacionados, sinónimos y frases alternativas a la consulta original.
P6: ¿Qué es la recuperación multi-query?
Respuesta: Generar múltiples variaciones de una consulta, recuperar para cada una y combinar los resultados.
P7: ¿Qué es RAG Fusion?
Respuesta: Combinar la recuperación multi-query con reciprocal rank fusion para el ranking de resultados.
P8: ¿Cuál es el beneficio de multi-query?
Respuesta: Captura diferentes aspectos de la pregunta y mejora el recall al encontrar documentos que otras consultas podrían pasar por alto.
P9: ¿Qué es RRF en RAG Fusion?
Respuesta: Reciprocal Rank Fusion: combina los rankings de múltiples recuperaciones en un solo ranking.
P10: ¿Cuándo debe evitarse multi-query?
Respuesta: Cuando la latencia es crítica o el costo es una preocupación (múltiples llamadas a LLM).
P11: ¿Qué es la recuperación self-query?
Respuesta: Usar un LLM para extraer tanto la consulta semántica como los filtros de metadatos a partir de una entrada en lenguaje natural.
P12: ¿Qué extrae self-query?
Respuesta: Una consulta de búsqueda semántica Y filtros de metadatos estructurados (por ejemplo, departamento, año, tipo).
P13: ¿Para qué se utiliza AttributeInfo?
Respuesta: Definir los campos de metadatos y sus descripciones para que el LLM pueda extraer correctamente los filtros.
P14: ¿Qué comparaciones admite self-query?
Respuesta: $eq, $ne, $gt, $gte, $lt, $lte, $in, y más.
P15: Ejemplo: "Políticas de RRHH de 2023" - ¿qué se extrae?
Respuesta: Consulta: "Políticas de RRHH", Filtros: {department: "HR", year: 2023}
P16: ¿Qué es la reescritura de consultas?
Respuesta: Usar un LLM para reformular consultas vagas o incompletas en otras más específicas y buscables.
P17: ¿Cuándo es más útil la reescritura de consultas?
Respuesta: Cuando las consultas de los usuarios son ambiguas, incompletas o usan pronombres como "eso" o "aquello".
P18: ¿Cuántas consultas genera típicamente multi-query?
Respuesta: Usualmente de 3 a 5 variaciones de la consulta original.
P19: ¿Cuál es la desventaja de las técnicas avanzadas de RAG?
Respuesta: Mayor latencia y costo (más llamadas a LLM, más recuperaciones).
P20: ¿Se puede combinar HyDE con multi-query?
Respuesta: Sí: genere múltiples consultas, cree documentos hipotéticos para cada una, recupere y fusione.
P21: ¿Cuál es el fallback ante fallos de self-query?
Respuesta: Volver a la búsqueda semántica regular sin filtros.
P22: ¿Por qué es importante el esquema de metadatos para self-query?
Respuesta: El LLM necesita definiciones claras para extraer y aplicar correctamente los filtros.
P23: ¿Qué mejora la calidad de HyDE?
Respuesta: Un buen prompt que genere contenido realista con estilo de documento.
P24: ¿En qué se diferencia la expansión de consultas de multi-query?
Respuesta: La expansión añade términos a una sola consulta; multi-query crea variaciones de consulta separadas.
P25: ¿Qué es el parámetro k en la fórmula RRF?
Respuesta: Una constante (usualmente 60) que evita que los elementos mejor posicionados dominen.
P26: ¿Qué técnica es mejor para preguntas complejas o de varias partes?
Respuesta: Multi-query: captura diferentes aspectos de preguntas complejas.
P27: ¿Qué técnica es mejor para preguntas sobre atributos específicos?
Respuesta: Self-query: extrae y aplica filtros de metadatos.
P28: ¿Cómo se prueba la efectividad de la transformación de consultas?
Respuesta: Comparando la calidad de recuperación (precisión, recall) con y sin transformación.
P29: ¿Qué es el step-back prompting?
Respuesta: Hacer primero una pregunta más general para obtener un contexto más amplio antes de la consulta específica.
P30: ¿Cuál es el orden de operaciones en un RAG avanzado completo?
Respuesta: Transformación de consulta → Generación de multi-query → Recuperación → Fusión → Reordenamiento → Generación
Resultados
| Puntaje | Nivel |
|---|---|
| 27-30 | Excelente - Sólido entendimiento de RAG avanzado |
| 21-26 | Bueno - Se recomienda repasar algunos temas |
| 15-20 | Promedio - Revise los capítulos nuevamente |
| Menos de 15 | Requiere revisión exhaustiva |