INTERMEDIO · 8 MÓDULOS · 64 LECCIONES

RAG en producción e ingesta de documentos

Dale a tu agente acceso confiable a documentos reales: límpialos, divídelos con criterio, búscalos como una herramienta más y cita la fuente en cada respuesta.

Es para ti si
Ya tienes un agente con herramientas y necesitas que responda con tus políticas, manuales o FAQs.
Al terminar
Sabrás procesar documentos sucios, medir la calidad de la búsqueda y responder sin inventar cuando no hay resultados.
Necesitas
Python intermedio y haber hecho un agente con tool calling. No necesitas llave de API.
  1. 01Parseo y chunking de documentos8 LECCIONES
    1. Módulo 1: Parseo y chunking de documentos
    2. Por qué la ingestión es el bloque más grande
    3. Parsear HTML con `html.parser`
    4. Parsear markdown y limpiar texto sucio
    5. Estrategias de chunking: tamaño fijo vs. consciente de estructura
    6. El trade-off del tamaño de chunk
    7. Metadatos para poder citar
    8. Mini-proyecto: ingesta el corpus de Reservo
  2. 02Indexar chunks para recuperación8 LECCIONES
    1. Módulo 2: Indexar chunks para recuperación
    2. Qué es un índice de recuperación
    3. El índice invertido
    4. Term frequency e IDF
    5. BM25 scoring
    6. El límite léxico: un sinónimo que no matchea
    7. search(query, k), ejecutado
    8. Mini-proyecto: un índice BM25 sobre Reservo
  3. 03`search_docs` como herramienta del agente8 LECCIONES
    1. Módulo 3: `search_docs` como herramienta del agente
    2. De índice a herramienta
    3. El contrato de `search_docs`
    4. Qué devuelve la tool al modelo
    5. Escribir la `description` para que el modelo sepa cuándo
    6. Acotar la tool: `k` y truncado
    7. `search_docs` ejecutada de punta a punta
    8. Mini-proyecto: `search_docs` como una tool más
  4. 04Recuperación agéntica en el bucle8 LECCIONES
    1. Módulo 4: Recuperación agéntica en el bucle
    2. Cuándo busca el agente
    3. Reformular y reintentar la query
    4. Recuperación multi-hop
    5. Combinar `search_docs` con las tools de Reservo
    6. Grounding: anclar la respuesta en los chunks
    7. Recuperación agéntica vs. RAG monolítico
    8. Mini-proyecto: una corrida de recuperación agéntica
  5. 05Ingestión incremental e idempotente8 LECCIONES
    1. Módulo 5: Ingestión incremental e idempotente
    2. Los documentos cambian en producción
    3. Hashing de contenido para idempotencia
    4. Detectando documentos nuevos, modificados y borrados
    5. Reingestando sin duplicar
    6. Actualizando solo lo que cambió
    7. Manejando un documento borrado
    8. Mini-proyecto: una ingestión incremental
  6. 06Evaluar la calidad de la recuperación8 LECCIONES
    1. Módulo 6: Evaluar la calidad de la recuperación
    2. Por qué se evalúa la recuperación, no la generación
    3. El set de evaluación fijo
    4. Recall@k
    5. Precision@k
    6. Cuándo falla la recuperación léxica
    7. El camino hacia mejor recall
    8. Mini-proyecto: un harness de evaluación de recuperación
  7. 07Operar RAG en producción8 LECCIONES
    1. Módulo 7: Operar RAG en producción
    2. Citar la fuente en la respuesta
    3. Manejar 0 resultados
    4. Filtrar chunks irrelevantes con un umbral
    5. Un documento fuente desapareció
    6. Medir qué se recupera
    7. El costo del pipeline
    8. Mini-proyecto: operar `search_docs`
  8. 08Módulo 8 (proyecto): `search_docs` lista para producción8 LECCIONES
    1. Módulo 8 (proyecto): `search_docs` lista para producción
    2. Ensamblando el pipeline de ingestión
    3. El índice y la tool
    4. Recuperación agéntica de punta a punta
    5. Reingesta incremental en el capstone
    6. El score de evaluación
    7. Lo que a tu RAG todavía le falta
    8. Proyecto: entrega `search_docs`
Reseñas

Lo que dicen los estudiantes

Estas reseñas son de estudiantes inscritos que completaron al menos el 50% del curso. Moderamos las reseñas solo por motivos de contenido (spam, lenguaje ofensivo, datos personales), nunca por ser críticas o negativas.

Aún no hay reseñas aprobadas.

¡Sé el primero en compartir tu experiencia!

SEC. 06 · EL ESTUDIO

Por qué existe este estudio

Durante décadas, construir software fue cosa de perfiles técnicos con años de formación, y llevar un producto digital a la vida real le tomaba a las empresas meses o años. El no-code y la inteligencia artificial han acortado esa brecha, pero el conocimiento sigue en manos de unos cuantos.

Tech Benders existe para abrir ese conocimiento, para que los equipos de negocio y los perfiles no técnicos puedan poner sus ideas en producción con las decisiones técnicas correctas detrás. La IA hace lo que le pides. Sin una base técnica, lo que construye puede no escalar con el ecosistema de tu empresa, y sus costos se disparan con el tiempo.

El equipo conoce los dolores de las organizaciones grandes y la velocidad a la que tienen que moverse. Trae arquitectura de soluciones, ingeniería de datos, producto construido de punta a punta, del backend al frontend, y trabajo diario con IA. Software que resuelve lo que necesitas en días, no en meses, con los costos de la IA bajo control.

Fundadores

El estudioConoce Tech Benders →

Escríbenoshi@techbenders.io

Hecho con Wislab