RAG (Retrieval-Augmented Generation): Vectores, embeddings y chat con tus datos
Esta lección es el pilar teórico necesario antes de pasar a la construcción práctica de sistemas de IA avanzados que leen documentos.
🧠 ¿Por qué necesitamos RAG?
Los Modelos de Lenguaje (LLMs) como GPT-4 tienen un conocimiento “congelado” y generalista.
- La Limitación: Si le preguntas a ChatGPT sobre el “Manual de Ventas 2025” de tu empresa, no sabrá responder o, peor aún, se inventará la respuesta (alucinación).
- El Objetivo: Queremos que la IA actúe como un bibliotecario experto: que primero busque en TUS documentos la respuesta correcta y luego te la comunique, sin inventar nada.
📚 ¿Qué es RAG (Retrieval-Augmented Generation)?
Es la técnica de “Generación Aumentada por Recuperación”.
En lugar de depender solo de la memoria de la IA, le damos acceso a una base de conocimientos externa.
- Recuperación (Retrieval): El sistema busca los fragmentos de texto relevantes en tus documentos.
- Generación (Generation): La IA usa esos fragmentos para redactar una respuesta precisa.
🔑 Terminología Clave para N8N
El instructor introduce los conceptos que configuraremos en las próximas prácticas:
- Embeddings: Es el proceso de convertir texto (palabras) en listas de números (vectores). Esto permite que la máquina entienda el significado semántico y no solo busque palabras clave.
- Base de Datos Vectorial: Es el almacén donde guardamos esos números. Es lo que permite a la IA buscar “¿Cómo hago una devolución?” y encontrar el párrafo en tu PDF que habla de “Política de Retorno”, aunque no usen las mismas palabras exactas.
💡 Conclusión: Esta clase prepara el terreno para que puedas construir un sistema en N8N donde subas un PDF y puedas hacerle preguntas específicas, garantizando que la respuesta provenga 100% de tus datos y no del entrenamiento general de la IA.