La primera generación de RAG (Retrieval-Augmented Generation) seguía una premisa sencilla: dividir documentos en fragmentos, generar embeddings, buscar por similitud coseno y pasar los mejores fragmentos al LLM. En empresas con miles de PDF complejos, tablas y términos de dominio, el RAG ingenuo falla con frecuencia.
RAG 2.0 convierte la recuperación en una canalización de ingeniería de varias etapas. Empieza con Hybrid Search, que combina embeddings vectoriales densos —que capturan el significado semántico— con búsqueda dispersa por palabras clave, como BM25 o PostgreSQL pgvector, que encuentra identificadores, nombres y códigos exactos.
Añadir un reranker, como Cohere Rerank o BGE-Reranker, en una segunda pasada mejora notablemente la precisión. Evalúa el contexto completo de la consulta frente a los fragmentos candidatos y elimina el 90 % del ruido irrelevante antes de que llegue a la ventana de contexto del LLM.
GraphRAG amplía la recuperación al construir grafos de conocimiento (entidades y relaciones) a partir de documentos empresariales no estructurados. Ante una pregunta global —«¿Qué riesgos se repiten en todos los contratos con proveedores de 2025?»—, recorre los nodos del grafo en vez de recuperar fragmentos aislados.
Para procesar documentos complejos, modelos multimodales como Claude 3.5 Sonnet Vision o Unstructured.io convierten gráficos de PDF, tablas financieras y diagramas en tablas Markdown antes de generar embeddings, lo que preserva la exactitud matemática de las respuestas posteriores.
Dale al próximo producto alguien que se quede.
¿Listo para empezar? Envíame un mensaje: puedo comenzar ahora y quedarme. Colaboraciones a largo plazo, no una entrega de dos semanas. Hablemos de tu proyecto, requisitos y la mejor forma de avanzar.