RAG agéntico · Magic Pulpo
Respuestas a partir de tus datos, no de la memoria del modelo.
Sistemas RAG agénticos que consultan tu base de datos mediante herramientas tipadas, recuperan de un corpus que te pertenece y se miden contra un conjunto de preguntas antes de que nadie los escale. Estamos construyendo uno para Dosemojo, nuestro propio producto, con el mismo estándar.
Nuestro punto de vista
Las demos impresionan. La producción tiene que aguantar.
- Sabe qué preguntas debe rechazar
- Puntúa la recuperación y las respuestas por separado
- Tiene un responsable con nombre cuando se desvía
El estándar
Cómo un sistema RAG se gana la confianza.
01
Primero herramientas, después recuperación
Las preguntas estructuradas van a tu base de datos mediante herramientas tipadas, no a una búsqueda por similitud: «molinillos por debajo de 200 euros» es SQL, no distancia de coseno. La recuperación solo corre en los turnos que la necesitan, que es más barato y más preciso que llenar cada prompt de contexto.
02
Recuperación híbrida, y después un reordenador
Búsqueda por palabras clave y búsqueda vectorial fusionadas en una sola ordenación, porque los términos exactos importan tanto como el significado. Un solo modelo de embeddings para documentos, consultas y procesos, un índice dimensionado para el corpus, preguntas de seguimiento reescritas antes de vectorizarlas y un reordenador cuando el corpus es lo bastante grande para necesitarlo.
03
Evaluado antes de escalar
Un conjunto de preguntas de referencia con las fuentes que deberían responderlas, ejecutable como script. La calidad de la recuperación y la de la respuesta se puntúan por separado, para saber qué mitad falla. Ningún trabajo sobre el corpus se financia hasta que esas cifras se muevan.
El proyecto
Cómo funciona
Un proyecto estructurado, de la primera llamada a resultados medibles.
- 01
Casos de uso y salvaguardas
Qué preguntas responde el sistema, cuáles debe rechazar y dónde aprueba una persona antes de que nada salga. Escrito antes de cualquier código, porque decide la arquitectura.
- 02
Corpus y permisos
Qué posees o licencias, cómo se trocea y quién puede ver qué parte. Las reglas de acceso se aplican en la recuperación, no se piden en el prompt. No ingerimos fuentes raspadas ni pirateadas: es un caso de derechos de autor esperando a ocurrir, y el modelo ya conoce el material público.
- 03
Construcción de la recuperación
Un solo modelo de embeddings, fijado, en todas partes. Búsqueda por palabras clave y vectorial fusionadas, un índice construido para el tamaño del corpus, reescritura de consultas consciente de la conversación y reordenación encima. Los niveles y los permisos son filtros, no multiplicadores de puntuación.
- 04
Banco de evaluación
De treinta a cincuenta preguntas de referencia con sus fuentes esperadas, ejecutadas como script en la integración continua. Atrapa los fallos silenciosos: un modelo de embeddings cambiado, un proceso de ingesta roto, un índice que nunca se construyó.
- 05
Endurecimiento para producción
Endpoints autenticados y límites de uso por usuario, caché de prompts, procesos de ingesta y vectorización programados, paneles de coste y latencia, y un respaldo determinista para cada agente que pueda agotar su tiempo.
Lo que obtienes
Cada proyecto se define y se presupuesta por adelantado. Sin sorpresas en la factura.
- 01Definiciones de herramientas del agente con entradas y salidas tipadas, en tu repositorio
- 02Recuperación híbrida: búsqueda por palabras clave y vectorial fusionadas, con reordenación
- 03Un modelo de embeddings fijado, y la ruta de migración para cuando cambie
- 04Índice vectorial y migraciones de esquema, versionados con la aplicación
- 05Conjunto de preguntas de referencia y el script que lo ejecuta en integración continua
- 06Política de salvaguardas: qué se rechaza, qué se escala, quién aprueba
- 07Paneles de coste, latencia y calidad de las respuestas
- 08Procesos de ingesta y vectorización programados, sin ningún paso manual
- 09Manual de operaciones y una sesión de entrega con tus ingenieros
Lo que cuesta
Indicativo: el rango final se fija en la llamada. Solo honorarios; la inversión en medios nunca lleva margen. Cifras en EUR.
Lo usamos nosotros mismos
Estamos construyendo uno para Dosemojo.
Dosemojo es nuestro propio producto de café. Su asistente responde a partir de un catálogo cuidado y del equipo, la reserva y el historial de preparaciones de cada usuario: las preguntas estructuradas van a SQL mediante herramientas, el resto a recuperación híbrida sobre un corpus que poseemos o licenciamos, con agentes especialistas que vuelven a valores deterministas cuando tardan demasiado. El conjunto de evaluación va antes que el trabajo sobre el corpus, por la misma razón por la que te diríamos que construyeras uno.
Ver la ventureLa prueba
