La generación de recuperación aumentada (RAG) es una arquitectura que utiliza búsqueda semántica para reforzar los grandes modelos de lenguaje (LLM) con datos adicionales, permitiéndoles generar respuestas más precisas.
Mientras que la búsqueda semántica recupera documentos relevantes basados en el significado, RAG lleva esto un paso más allá al proporcionar esos documentos recuperados como contexto a un LLM. Este contexto adicional ayuda al LLM a generar una respuesta más precisa a la query de un usuario, reduciendo las alucinaciones. Voyage IA proporciona modelos de embedding y reranking de primer nivel para potenciar la recuperación en tus aplicaciones RAG.
Para probar RAG sin necesidad de escribir código, utiliza el Playground para compilar un chatbot de IA impulsado por Voyage AI. Para obtener más información, consulte Constructor de Demostraciones de Chatbot.
Tutorial
El siguiente tutorial demuestra cómo implementar RAG con Voyage embeddings.
También puedes trabajar con el código de este tutorial clonando el repositorio de GitHub.
¿Por qué utilizar RAG?
Al trabajar con LLM, es posible que encuentres las siguientes limitaciones:
Datos obsoletos: los LLMs están entrenados con un conjunto de datos estáticos hasta un cierto punto en el tiempo. Esto significa que tienen una base de conocimientos limitada y podrían utilizar datos obsoletos.
Sin acceso a datos adicionales: Los LLM no tienen acceso a datos locales, personalizados o específicos del dominio. Por lo tanto, se puede carecer de conocimientos en dominios específicos.
Alucinaciones: Cuando se utilizan datos incompletos o desactualizados, los LLM pueden generar respuestas inexactas.
RAG aborda estas limitaciones añadiendo un paso de recopilación, normalmente impulsado por búsqueda semántica, para obtener documentos relevantes en tiempo real. Proporcionar contexto adicional ayuda a los LLM a generar respuestas más precisas. Esto convierte a RAG en una arquitectura efectiva para crear chatbots de IA que ofrezcan respuestas personalizadas, específicas del dominio, y generación de texto.
¿Qué son las bases de datos vectoriales?
Las bases de datos vectoriales son bases de datos especializadas diseñadas para almacenar y recuperar eficazmente embeddings vectoriales. Si bien almacenar vectores en memoria es adecuado para el prototipado y la experimentación, las aplicaciones de RAG en producción normalmente requieren una base de datos vectorial para realizar una recuperación eficiente a partir de un corpus más grande.
MongoDB tiene soporte nativo para almacenamiento y recuperación de vectores, lo que lo convierte en una opción conveniente para almacenar y buscar incrustaciones de vectores junto con tus otros datos. Para obtener más información, consulte Resumen de AVS.
Próximos pasos
Para obtener tutoriales adicionales, consulte los siguientes recursos:
Para aprender cómo implementar RAG con marcos LLM populares y servicios de IA, consulta Integraciones de IA de MongoDB.
Para compilar agentes de IA e implementar RAG agente, consulte ai-agents.