Tutorial RAG desde Cero: Crea una Base de Conocimiento IA para tu Empresa [2026]

1Usuario pregunta → Buscar info relevante en TUS documentos → Pasar contexto al LLM → Respuesta basada en TU información

1┌─────────────────────────────────────────────────────────────┐
2│                     ARQUITECTURA RAG                        │
3├─────────────────────────────────────────────────────────────┤
4│                                                             │
5│  1. DOCUMENTOS         2. EMBEDDINGS         3. VECTOR DB   │
6│  ┌──────────┐         ┌──────────────┐      ┌───────────┐  │
7│  │ PDFs     │         │ text-embed-  │      │ Pinecone  │  │
8│  │ Docs     │───────▶ │ ding-3-large │────▶ │ Qdrant    │  │
9│  │ Web      │         │ (OpenAI)     │      │ Chroma    │  │
10│  └──────────┘         └──────────────┘      └─────┬─────┘  │
11│                                                   │         │
12│                                                   ▼         │
13│  4. GENERACIÓN                              Búsqueda       │
14│  ┌──────────────┐     ┌──────────────┐     semántica      │
15│  │   Usuario    │────▶│  Embedding   │──────────┘         │
16│  │   pregunta   │     │  de query    │                     │
17│  └──────────────┘     └──────┬───────┘                     │
18│                              │                              │
19│                              ▼                              │
20│                    ┌─────────────────┐                     │
21│                    │ Contexto + LLM  │                     │
22│                    │  (GPT-4/Claude) │                     │
23│                    └────────┬────────┘                     │
24│                             │                               │
25│                             ▼                               │
26│                    ┌─────────────────┐                     │
27│                    │    Respuesta    │                     │
28│                    │  fundamentada   │                     │
29│                    └─────────────────┘                     │
30│                                                             │
31└─────────────────────────────────────────────────────────────┘

1# "Cómo devolver un producto" y "proceso de devolución"
2# tienen embeddings MUY similares aunque las palabras sean diferentes

1# Python 3.10+
2python --version
3 
4# Crear entorno virtual
5python -m venv rag-env
6source rag-env/bin/activate  # Linux/Mac
7# rag-env\Scripts\activate   # Windows
8 
9# Instalar dependencias
10pip install langchain langchain-openai langchain-community
11pip install chromadb pypdf python-dotenv

1rag-tutorial/
2├── .env                 # API keys
3├── documents/           # Tus PDFs/docs
4│   ├── manual.pdf
5│   └── faqs.txt
6├── ingest.py           # Procesar documentos
7├── query.py            # Hacer preguntas
8└── requirements.txt

1# .env
2OPENAI_API_KEY=sk-tu-api-key-aqui

1"""
2ingest.py - Procesa documentos y crea la base de conocimiento
3"""
4import os
5from dotenv import load_dotenv
6from langchain_community.document_loaders import (
7    PyPDFLoader,
8    TextLoader,
9    DirectoryLoader
10)
11from langchain.text_splitter import RecursiveCharacterTextSplitter
12from langchain_openai import OpenAIEmbeddings
13from langchain_community.vectorstores import Chroma
14 
15load_dotenv()
16 
17# 1. Cargar documentos
18def load_documents(docs_path: str = "./documents"):
19    """Carga PDFs y archivos de texto"""
20    
21    # Loader para PDFs
22    pdf_loader = DirectoryLoader(
23        docs_path,
24        glob="**/*.pdf",
25        loader_cls=PyPDFLoader
26    )
27    
28    # Loader para texto
29    txt_loader = DirectoryLoader(
30        docs_path,
31        glob="**/*.txt",
32        loader_cls=TextLoader
33    )
34    
35    documents = []
36    documents.extend(pdf_loader.load())
37    documents.extend(txt_loader.load())
38    
39    print(f"✅ Cargados {len(documents)} documentos")
40    return documents
41 
42# 2. Dividir en chunks
43def split_documents(documents):
44    """Divide documentos en fragmentos manejables"""
45    
46    splitter = RecursiveCharacterTextSplitter(
47        chunk_size=1000,        # Tamaño de cada chunk
48        chunk_overlap=200,      # Solapamiento para contexto
49        separators=["\n\n", "\n", ".", "!", "?", ",", " "]
50    )
51    
52    chunks = splitter.split_documents(documents)
53    print(f"✅ Creados {len(chunks)} chunks")
54    return chunks
55 
56# 3. Crear embeddings y guardar en vector store
57def create_vectorstore(chunks, persist_directory: str = "./chroma_db"):
58    """Crea embeddings y guarda en ChromaDB"""
59    
60    embeddings = OpenAIEmbeddings(
61        model="text-embedding-3-small"  # Más barato para empezar
62    )
63    
64    vectorstore = Chroma.from_documents(
65        documents=chunks,
66        embedding=embeddings,
67        persist_directory=persist_directory
68    )
69    
70    print(f"✅ Vector store creado en {persist_directory}")
71    return vectorstore
72 
73# Ejecutar pipeline
74if __name__ == "__main__":
75    print("🚀 Iniciando ingesta de documentos...")
76    
77    docs = load_documents()
78    chunks = split_documents(docs)
79    vectorstore = create_vectorstore(chunks)
80    
81    print("✅ ¡Base de conocimiento lista!")

1"""
2query.py - Chatbot RAG que responde preguntas
3"""
4import os
5from dotenv import load_dotenv
6from langchain_openai import OpenAIEmbeddings, ChatOpenAI
7from langchain_community.vectorstores import Chroma
8from langchain.chains import RetrievalQA
9from langchain.prompts import PromptTemplate
10 
11load_dotenv()
12 
13# Cargar vector store existente
14def load_vectorstore(persist_directory: str = "./chroma_db"):
15    embeddings = OpenAIEmbeddings(model="text-embedding-3-small")
16    return Chroma(
17        persist_directory=persist_directory,
18        embedding_function=embeddings
19    )
20 
21# Crear cadena de RAG
22def create_rag_chain(vectorstore):
23    
24    # Prompt personalizado
25    template = """Eres un asistente experto de nuestra empresa. 
26    Usa SOLO la siguiente información para responder.
27    Si no encuentras la respuesta en el contexto, di "No tengo información sobre eso".
28    
29    Contexto:
30    {context}
31    
32    Pregunta: {question}
33    
34    Respuesta útil y concisa:"""
35    
36    prompt = PromptTemplate(
37        template=template,
38        input_variables=["context", "question"]
39    )
40    
41    # Configurar LLM
42    llm = ChatOpenAI(
43        model="gpt-4o-mini",  # Buena relación calidad/precio
44        temperature=0        # Respuestas consistentes
45    )
46    
47    # Crear cadena
48    qa_chain = RetrievalQA.from_chain_type(
49        llm=llm,
50        chain_type="stuff",
51        retriever=vectorstore.as_retriever(
52            search_kwargs={"k": 4}  # Top 4 documentos relevantes
53        ),
54        chain_type_kwargs={"prompt": prompt},
55        return_source_documents=True
56    )
57    
58    return qa_chain
59 
60# Interfaz de chat
61def chat():
62    print("🤖 Chatbot RAG iniciado. Escribe 'salir' para terminar.\n")
63    
64    vectorstore = load_vectorstore()
65    qa_chain = create_rag_chain(vectorstore)
66    
67    while True:
68        question = input("Tú: ").strip()
69        
70        if question.lower() in ['salir', 'exit', 'quit']:
71            print("👋 ¡Hasta luego!")
72            break
73            
74        if not question:
75            continue
76        
77        # Obtener respuesta
78        result = qa_chain.invoke({"query": question})
79        
80        print(f"\n🤖 Asistente: {result['result']}\n")
81        
82        # Mostrar fuentes (opcional)
83        if result.get('source_documents'):
84            print("📚 Fuentes consultadas:")
85            for i, doc in enumerate(result['source_documents'][:2], 1):
86                source = doc.metadata.get('source', 'Desconocido')
87                print(f"   {i}. {source}")
88            print()
89 
90if __name__ == "__main__":
91    chat()

1# Primero, procesar documentos
2python ingest.py
3 
4# Luego, chatear
5python query.py

1Tú: ¿Cuál es la política de devoluciones?
2 
3🤖 Asistente: Según nuestra política, los clientes pueden devolver 
4productos en un plazo de 30 días desde la compra. El producto debe 
5estar sin usar y en su embalaje original. Para iniciar una devolución, 
6contacta con soporte@empresa.com con tu número de pedido.
7 
8📚 Fuentes consultadas:
9   1. documents/politicas.pdf
10   2. documents/faqs.txt

1from langchain.text_splitter import MarkdownTextSplitter
2 
3# Para documentación en Markdown
4splitter = MarkdownTextSplitter(
5    chunk_size=1000,
6    chunk_overlap=100
7)
8 
9# Respeta la estructura de headers

1from langchain.retrievers import BM25Retriever, EnsembleRetriever
2 
3# BM25 para keywords exactos
4bm25_retriever = BM25Retriever.from_documents(documents)
5bm25_retriever.k = 4
6 
7# Semantic para significado
8semantic_retriever = vectorstore.as_retriever(search_kwargs={"k": 4})
9 
10# Combinar ambos
11ensemble_retriever = EnsembleRetriever(
12    retrievers=[bm25_retriever, semantic_retriever],
13    weights=[0.3, 0.7]  # 70% semántico, 30% keywords
14)

1from langchain.retrievers import ContextualCompressionRetriever
2from langchain_cohere import CohereRerank
3 
4# Reranker de Cohere
5reranker = CohereRerank(model="rerank-multilingual-v3.0")
6 
7compression_retriever = ContextualCompressionRetriever(
8    base_compressor=reranker,
9    base_retriever=vectorstore.as_retriever(search_kwargs={"k": 20})
10)
11 
12# Busca 20 docs, reordena, devuelve top 4

1# Al ingestar, añade metadata
2doc.metadata["department"] = "ventas"
3doc.metadata["year"] = 2026
4 
5# Al buscar, filtra
6retriever = vectorstore.as_retriever(
7    search_kwargs={
8        "k": 4,
9        "filter": {"department": "ventas"}
10    }
11)