—RAG
Sistemas RAG y agentes
Un agente RAG no es un chatbot genérico: ingiere tus documentos, recupera el contexto correcto y ejecuta lógica (cálculos, selección de catálogo, PDF). Todo dentro de tu infraestructura. Cero datos sensibles en cloud de terceros si así lo defines.
Ejemplo real
Fabricante de depósitos: agente que calcula, selecciona equipos y genera PDF. 39.000€/año ahorrados.
39.000€/año ahorrados
—Arquitectura
Todo dentro de tu VPS
Documentos → ingesta → base vectorial → agente → tu equipo. La soberanía de datos no es un eslogan: es el perímetro.
- 01Tus documentos→
- 02Pipeline de ingesta→
- 03Base vectorial→
- 04Agente→
- 05Tu equipo
- Todo dentro de tu VPS
—Entregables
Qué te llevas
- Pipeline de ingesta (PDF, catálogos, bases internas)
- Base vectorial en tu VPS (pgvector u equivalente)
- Agente con citas, lógica de negocio y generación de informes
- Interfaz para tu equipo (web o integración en herramientas existentes)
- Controles de acceso y trazabilidad de consultas
—Encaje
Para quién tiene sentido
Conocimiento atrapado en 2-3 cabezas o en carpetas sin estructura
Cotizaciones / informes técnicos que hoy llevan horas
Sectores con datos sensibles que no pueden salir a un SaaS LLM genérico
—Stack
- pgvector
- FastAPI
- Docker
- VPS
—Preguntas
Preguntas frecuentes
¿Los datos salen a OpenAI / Anthropic?
Depende del diseño. Podemos usar APIs externas solo con datos no sensibles, o modelos locales / privados. La soberanía se define en el diagnóstico.
¿Sirve para cualquier PDF?
Sirve para corpus razonables y bien acotados. Basura entra → basura sale. La semana 1 define qué documentos entran.
¿Cómo sé que la respuesta es fiable?
Citas a fuentes, validación humana en el flujo crítico, y métricas de error en la fase de prueba.
¿Encaja con tu caso?
30 minutos. Si un SaaS basta, te lo digo. Si el a medida tiene sentido, salimos con un alcance cerrado.
Analiza tu caso — 30 min