Laboratorio RAG
Documento → chunking → fragmentos → recuperación → contexto → prompt → respuesta. RAG no entrena el modelo: evita enviar documentos completos.
Estrategias de chunking
- Tamaño fijo disponible: simple y predecible; puede cortar ideas (el overlap lo mitiga).
- Por párrafos disponible: respeta unidades naturales; párrafos gigantes se subdividen.
- Por secciones/encabezados concepto explicado: usa tĂtulos como fronteras.
- Semántico concepto explicado: requiere embeddings reales; fuera del alcance de esta simulación.
RAG vs. contexto vs. fine-tuning vs. memoria
La ventana de contexto es lo que el modelo puede ver por vez. RAG selecciona qué poner dentro (no entrena). Fine-tuning modifica pesos con entrenamiento. Memoria es estado persistente entre sesiones. Prompt son las instrucciones del pedido actual. No son equivalentes.