ruta de aprendizaje · profundidad
RAG en profundidad
La diferencia entre "hice un RAG" y "sé operar un sistema de recuperación" no es más código, es poder responder con números y con el porqué. Este curso toma un RAG real y lo excava hasta la roca: cada referencia técnica explicada desde cero, cada mejora medida.
el sistema ancla
scholar-rag: un RAG sobre un corpus de tesis reales (FastAPI + pgvector + LangGraph). No lo construyes de cero, lo profundizas: mides qué tan bueno es, por qué falla, cuánto cuesta y dónde se rompe. La regla del curso: no puedes profundizar en lo que no puedes medir.
M0 — El mapa y el vocabulario
Qué significa 'profundizar' en un RAG real, y cada referencia (RRF, HNSW, recall@k, p99, GIL…) explicada desde cero.
M1 — Evaluación: medir antes de optimizar
El dataset gold, recall@k, MRR, nDCG y faithfulness. Construyes el instrumento que hace medible todo lo demás.
M2 — Embeddings e indexado vectorial (ANN)
Embeddings, pgvector, HNSW vs IVFFlat y el trade-off recall/latencia. El mayor salto de rendimiento del curso.
M3 — Chunking, retrieval híbrido y RRF
Estrategias de chunking medidas, ablación vector vs léxico vs híbrido, y por qué RRF con k=60.
M4 — Grounding y anti-alucinación
El nodo grade del grafo, structured output validado, citas reales y faithfulness antes/después.
M5 — Async, concurrencia y sistemas
Event loop, GIL, sizing del pool asyncpg, embeddings CPU-bound y backpressure bajo carga.
M6 — Latencia, costo y operación
Perfilado p50/p95/p99 por etapa, costo por query, tracing y SLOs. Operar, no solo desplegar.
Capstone — Las 5 preguntas
El criterio de 'nivel internacional': responder con números y con el porqué sobre scholar-rag.