Naive / Standard RAG
Búsqueda vectorial de un solo paso sobre fragmentos de texto.
Coincidencia simple de preguntas frecuentesGeneración Aumentada por Recuperación
RAG, diseñado para producción, no para demostraciones
Un único tipo de RAG fracasa a escala empresarial. Nosotros diseñamos la combinación adecuada.
La Generación Aumentada por Recuperación fundamenta un modelo de lenguaje en sus datos aprobados para que las respuestas sigan siendo precisas y trazables. A escala empresarial, una sola búsqueda vectorial ingenua no basta: productos, documentos, clientes y sistemas de socios necesitan cada uno una estrategia de recuperación distinta. Diseñamos, construimos y operamos la combinación adecuada, con alojamiento en la UE, con su código y sin dependencia de proveedor.
Por qué un solo tipo de RAG no es suficiente
La Generación Aumentada por Recuperación (RAG) conecta un modelo de lenguaje con sus propios datos para que responda a partir de fuentes aprobadas en lugar de adivinar. Una demostración ejecuta una sola búsqueda vectorial sobre una carpeta de texto. Un sistema en producción a escala empresarial superpone una recuperación especializada por tipo de dato, fusiona la búsqueda por palabras clave y la vectorial, recorre grafos de conocimiento en busca de relaciones y enruta cada consulta hacia la estrategia adecuada. Diseñamos esa taxonomía completa, fundamentada, consciente de los permisos y auditada de forma predeterminada.
- Respuestas fundamentadas con citas, no alucinaciones
- Recuperación consciente de los permisos, acotada antes de que el modelo la vea
- Recuperación Hybrid, por grafo y Agentic, no una única búsqueda vectorial
- Alojamiento en la UE, su código, neutral respecto al modelo, sin dependencia de proveedor
Cómo funciona RAG, de principio a fin
Desde sus datos hasta una respuesta fundamentada: ingeridos e incrustados, recuperados mediante búsqueda Hybrid y por grafo, reordenados y, después, generados y verificados.
La recuperación Hybrid fusiona la búsqueda vectorial, por palabras clave y por grafo. Una capa de salvaguardas, evaluación y auditoría envuelve cada paso antes de devolver la respuesta.
La taxonomía de RAG
RAG especializado, ajustado al problema
Las arquitecturas de IA modernas usan una taxonomía de patrones de recuperación. Trabajamos con las tres familias y las combinamos por activo de datos.
Arquitectónico y algorítmico básico
Las arquitecturas de recuperación, elegidas según la forma de los datos y el grado de exactitud que debe tener la coincidencia.
GraphRAG
Los grafos de conocimiento enlazan entidades, por ejemplo un cliente con los productos comprados a través de una arista de transacción.
Relaciones y entidadesHybrid RAG
Fusiona la búsqueda por palabras clave (BM25) con la similitud vectorial.
Coincidencia exacta de SKU y códigoHierarchical RAG (RAPTOR)
Resume el texto de forma recursiva en árboles padre-hijo.
Contratos y manuales extensosMultimodal RAG
Recupera a la vez sobre texto, imágenes, vídeo y audio.
De fotos a fichas de productoBucles dinámicos y Agentic
Bucles que deciden, verifican y enrutan, para respuestas de múltiples fuentes y control de calidad.
Agentic RAG
Agentes equipados con herramientas planifican una recuperación de varios pasos a través de silos de datos independientes.
Respuestas entre sistemasCorrective RAG (CRAG)
Un evaluador juzga la calidad de la recuperación y recurre a otra fuente cuando es deficiente.
Garantías de precisiónSelf-RAG
El modelo critica su propia salida y vuelve a recuperar cuando es necesario.
Control de calidad en tiempo realAdaptive RAG
Un enrutador lee primero la consulta y luego la envía a una vía económica o a una más exigente.
Control de coste y latenciaIngeniería de contexto y de entrada
Diseñar cada fragmento y cada turno para que aporte el contexto adecuado antes de incorporarlo al embedding.
Conversational RAG
Tiene en cuenta todo el historial del diálogo para que las preguntas de seguimiento conserven su referente.
Asistentes de varios turnosContextual Retrieval
Antepone el contexto global del documento a cada fragmento antes de incrustarlo.
Sin enlaces semánticos rotosHyDE
Genera primero una respuesta hipotética y luego busca con ella para salvar las diferencias de vocabulario.
De la jerga a los términos internosGraphRAG: respuestas que siguen las relaciones
La búsqueda vectorial por sí sola encuentra coincidencias de texto que parecen similares. GraphRAG añade una capa de entidades y relaciones tipadas, de modo que el sistema puede responder preguntas que dependen de cómo se conectan sus datos: un cliente con sus pedidos, un pedido con sus productos, un producto con su política. Para datos de comercio, soporte e ingeniería, esa es la diferencia entre una suposición plausible y una respuesta correcta y trazable.
Un grafo de conocimiento enlaza entidades mediante aristas tipadas, de modo que una consulta puede recorrer desde un cliente hasta los productos y documentos exactos que fundamentan la respuesta.
Asigne RAG a sus activos de datos
Para escalar, cada tipo de entidad se asigna a la arquitectura de recuperación que mejor le conviene. Así estructuramos la recuperación para una plataforma de comercio empresarial.
| Estrategia RAG óptima | Por qué importa esta elección | |
|---|---|---|
| Productos de comercio electrónico | Hybrid RAG + GraphRAG | Evita que la búsqueda semántica alucine recuentos de inventario o seleccione la talla o el SKU equivocados. |
| Documentos | Hierarchical RAG + Conversational | Resume manuales y contratos completos con precisión mientras mantiene el hilo del diálogo. |
| Clientes | GraphRAG + consciente del contexto | Encuentra vínculos estructurales en el historial de pedidos para mostrar rutas de compra personalizadas. |
| Agencias y socios | Agentic RAG | Obtiene datos de forma activa desde plataformas de terceros mediante un uso de herramientas en vivo y auditado. |
Ejemplos mostrados para una plataforma de comercio; el mismo método de asignación se aplica a datos de fabricación, finanzas y sector público.
Estado objetivo en producción
Structured Agentic RAG
En producción no se elige un solo tipo de RAG. Un enrutador Adaptive RAG se sitúa por encima y envía cada consulta por la vía adecuada.
El enrutador clasifica cada consulta y luego la envía a una búsqueda simple, a un recorrido de grafo o a herramientas Agentic en vivo, reconvergiendo a través de salvaguardas y evaluación.
¿Cuál es el estado de mi envío?
Agentic RAGconsulta la API de logística en vivo.
¿Hay chaquetas que combinen con los zapatos que compré el mes pasado?
GraphRAGevalúa el grafo de compras de cliente a producto.
Qué obtiene cada equipo
Las decisiones sobre RAG se ven distintas desde cada puesto. Esto es lo que importa a las personas que aprueban la arquitectura.
CTO y responsables de TI
Necesita respuestas fundamentadas en sus sistemas, no un chatbot que invente políticas.
Una arquitectura de recuperación con nombre propio, que se ejecuta en su nube, conforme al nivel del RGPD y con evaluaciones en cada cambio.
Empresa y compras
Un comité de compras tiene que auditar cómo llega el sistema a una respuesta.
Citas, recuperación consciente de los permisos y un registro de auditoría, con preparación para AVV y TOM.
CTO y fundadores de startups
Quiere recuperación funcional en semanas, no un proyecto de investigación.
Un Hybrid o Agentic RAG pragmático entregado en un piloto de 90 días y luego escalado.
Agencias y socios
Su cliente necesita trabajo sénior de RAG entregado bajo su marca.
Ingeniería de recuperación de marca blanca, con la misma disciplina que respalda nuestro trabajo de código abierto.
Ingeniería pública que puede inspeccionar
En producción en este sitio
En vivoEl asistente de este sitio es un sistema agéntico que usa herramientas, construido por nosotros y en producción, no una demo tras un inicio de sesión.
Vendure Data Hub
Open sourceUn plugin de comercio Vendure que construimos y publicamos, público en GitHub. Dos de nuestros once bundles desarrollados son públicos.
Ver en GitHubPimcore Asset Pilot
Open sourceUn bundle de assets de Pimcore que construimos y publicamos, público en GitHub e inspeccionable de extremo a extremo.
Ver en GitHubCuándo RAG no es la respuesta
- La verdad numérica puramente en tiempo real, por ejemplo los recuentos de inventario en vivo, corresponde a una consulta directa, no a la recuperación.
- Cambiar el tono o el comportamiento esencial del modelo es una tarea de ajuste fino, no de RAG.
- Una base de conocimiento estática y minúscula puede resultar más económica si se coloca directamente en el prompt.
- Las tareas sin una fuente de verdad sobre la que fundamentarse no son un problema de recuperación.
Preguntas que los equipos hacen sobre RAG
Se agrupan en tres familias: patrones arquitectónicos básicos (Naive, GraphRAG, Hybrid, Hierarchical o RAPTOR, Multimodal), bucles dinámicos y Agentic (Agentic RAG, Corrective o CRAG, Self-RAG, Adaptive RAG) e ingeniería de contexto (Conversational, Contextual Retrieval, HyDE). Los sistemas en producción combinan varios.
Agentic RAG dota al sistema de agentes equipados con herramientas que planifican una recuperación de varios pasos a través de fuentes de datos independientes, incluidas API en vivo, en lugar de una sola búsqueda vectorial. Es el patrón adecuado cuando una respuesta necesita datos de más de un sistema.
El RAG vectorial es mejor para la similitud difusa de texto. GraphRAG es mejor cuando la respuesta depende de relaciones entre entidades, por ejemplo vincular un cliente con productos a través del historial de compras. La mayoría de los sistemas empresariales usan ambos detrás de un enrutador.
RAG fundamenta el modelo en datos actuales y aprobados y mantiene las respuestas trazables. El ajuste fino cambia el tono, el estilo o la lógica de dominio del modelo. Resuelven problemas distintos y a menudo se ejecutan juntos; le asesoramos sobre cuál encaja en cada caso.
Los productos usan Hybrid RAG más GraphRAG para que no se aluciquen SKU exactos ni el inventario; los documentos usan Hierarchical RAG; los clientes usan GraphRAG; los sistemas de socios usan Agentic RAG. Un enrutador Adaptive los une.
La recuperación es la base. La producción también necesita evaluación, salvaguardas, contexto consciente de los permisos, observabilidad y enrutamiento. Diseñamos el sistema completo, con alojamiento en la UE, con su código y sin dependencia de proveedor.
Explore el stack de IA
Fundamente su IA en sus propios datos
Cuéntenos cómo son sus sistemas y datos. Asignaremos la arquitectura de recuperación adecuada y un camino hacia producción.
Con quién trabaja
HRB 288224
Registrada en Múnich
15+
Años, dirigida por el fundador
DE · EN · AR
Idiomas de trabajo
2
Código abierto en GitHub
EU
Residencia de datos, Fráncfort
AVV/DPA
Listo para firmar, art. 28
Niveles de compromiso
Oronts trabaja con equipos serios que necesitan entrega senior, no externalización de bajo coste.
- Production Pilot
- desde 25k EUR
- Proyectos de software e IA a medida
- desde 50k EUR
- Retainers técnicos continuos
- desde 15k EUR/mes
El precio exacto depende del alcance, la responsabilidad, la velocidad de entrega, el tamaño del equipo, las integraciones, las expectativas de soporte y el riesgo de producción.