Artículos para quien
entrega el stack
Textos sobre React, Node.js, TypeScript y AI. El cuerpo traducido se muestra cuando existe. Si no, ve el texto en inglés y una nota que lo dice.
Etiqueta: vector-database
Cuestionando la pila de agentes: almacenes vectoriales, hipergrafos y tareas de codificación
Tres casos en los que una pila de agentes más grande pasó por alto el verdadero cuello de botella: la memoria de agentes basada en archivos superó a un almacén vectorial, al RAG de hipergrafos y a lo que realmente constituye un trabajo de alto nivel.
12 min de lecturaLlamaIndex Plus LangGraph: Un patrón limpio para agentes RAG
Cómo crear una base de conocimientos con LlamaIndex y exponerla a un agente de LangGraph como herramienta, explicando la persistencia, Chroma y el modo exclusivo de recuperador.
14 min de lecturaElegir una arquitectura RAG: Naive, Advanced, CRAG, GraphRAG, Agentic
Una comparación práctica de seis arquitecturas RAG con sus ventajas, desventajas y casos de uso, además de un proceso de toma de decisiones en cuatro pasos y los casos en los que RAG no es la herramienta adecuada.
10 min de lecturaRAG avanzado en Milvus: búsqueda híbrida, HyDE, reescritura de consultas y reclasificación.
Construir un pipeline RAG de Milvus paso a paso: vectores densos y BM25, búsqueda híbrida RRF, filtros de metadatos, reescritura de consultas, HyDE, descomposición y reclasificación con cross-encoder.
18 min de lecturaServicio de búsqueda semántica con una base de datos vectorial de Pinecone detrás de un servidor MCP.
Un servicio de búsqueda semántica reutilizable: divide los PDF en partes, almacena las representaciones vectoriales en una base de datos vectorial de Pinecone y permite que cualquier agente las consulte a través de un servidor FastMCP.
7 min de lecturaRazonamiento sobre un árbol de documentos en lugar de buscar vectores
PageIndex crea un índice jerárquico que permite a un LLM navegar por él, omitiendo el procesamiento en bloques y los embeddings. Cómo funciona, su resultado en FinanceBench y cuándo utilizarlo.
10 min de lecturaUn mapa de campos de RAG: de los principios básicos a los fallos en producción
Dos pipelines, tres pasos y una lista de fallos con nombre: cómo funciona la generación mejorada por recuperación de información, dónde falla y qué soluciones abordan cada problema.
7 min de lecturaMigración de RAG de Pinecone a Postgres pgvector: seis meses después
Seis meses después de trasladar RAG de Pinecone a Postgres pgvector: 9 millones de vectores, costos reales, cifras de latencia y precisión, qué empeoró y cuándo es adecuado usar pgvector.
7 min de lecturaEvaluación de la recuperación RAG más allá de la recuperación ANN, tomando como ejemplo a Turbopuffer.
Un índice vectorial rápido aún puede no encontrar la respuesta. Aprenda sobre los compromisos de almacenamiento de Turbopuffer, la búsqueda híbrida BM25 más búsqueda vectorial, y cómo un conjunto dorado mide la recuperación real.
7 min de lectura
Sobre estos artículos
Presupuesto en 24 h
¿Necesitas el mismo stack en una capa de operador? Envía el brief — presupuesto en 24 h.