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-search
Un sistema de archivos virtuales basado en MongoDB para agentes avanzados de LangChain.
Un sistema de archivos virtual basado en MongoDB para LangChain Deep Agents: bytes en almacenamiento de objetos, búsqueda en Atlas con grep híbrido, fusión de rangos, particionamiento y sincronización.
8 min de lecturaDe prototipo a RAG en producción: búsqueda híbrida, agentes y evaluación.
Una arquitectura de referencia para RAG en producción en .NET: fragmentación, recuperación híbrida y por grafos, reclasificación, planificación de consultas, salida tipada y evaluación continua.
8 min de lecturaFiltrado de metadatos para Databricks RAG utilizando ai_extract y ai_prep_search
Combinar ai_parse_document, ai_extract v2.1 y ai_prep_search para que cada fragmento contenga metadatos estructurados, lo que permite a la Búsqueda Vectorial filtrar antes de clasificar por similitud.
7 min de lecturaUna arquitectura práctica de RAG en Firebase y Vertex AI con Firestore Vectors
RAG en Firebase con incrustaciones de Vertex AI y búsqueda vectorial de Firestore: agrupamiento por lotes, filtros de metadatos, aislamiento de usuarios, prompts basados en realidad, caché y métricas.
10 min de lecturaPor qué RAG sigue dando respuestas incorrectas: Búsqueda híbrida, reclasificación y Recall@K
Los fragmentos limpios no garantizan respuestas correctas. Vea dónde falla la recuperación de vectores y cómo la fusión, un reclasificador de codificador cruzado, HyDE y la medición Recall@K lo solucionan.
6 min de lecturaBúsqueda híbrida de imágenes a gran escala: SigLIP, SPLADE, YOLOv8 y Gemini Captions
Diseño de un sistema de búsqueda de un millón de imágenes que combina embeddings densos y dispersos con detección de objetos, reconocimiento de entidades, búsqueda segura y descripciones escritas por modelos LLM.
6 min de lecturaCómo RAG permite a un LLM acceder a sus datos privados: fragmentos, vectores, prompts
Comprenda la generación mejorada por recuperación de información, desde su ingesta hasta la consulta, a través de un pequeño ejemplo en Node.js, tres modos de fallo comunes y una tabla que compara RAG con el ajuste fino de modelos.
8 min de lecturaUn pipeline local de RAG con Qdrant, fastembed y Gemini en Python
Un pequeño pipeline RAG en Python: divide los documentos locales en fragmentos, los incrusta sin conexión con fastembed, almacena los vectores en Qdrant y responde a preguntas con Gemini desde la línea de comandos.
6 min de lecturaDiez errores de recuperación silenciosa en RAG en producción, y cómo se soluciona cada uno de ellos.
Desde el tamaño de los bloques y la superposición hasta la búsqueda híbrida, RRF, el reclasificado, la elección de embeddings y las evaluaciones de CI: diez errores de recuperación detrás de respuestas incorrectas en RAG y sus soluciones.
16 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.