Guía de Implementación RAG
PROConstruye sistemas de Generación Aumentada por Recuperación que fundamentan las respuestas de LLMs en datos externos. Chunking, embeddings, búsqueda vectorial, y prompting contextual.
Ejemplo de Uso
Quiero construir un chatbot que responda preguntas sobre mi documentación de producto. ¿Cómo implemento RAG con chunking óptimo y búsqueda vectorial?
Prompt del Skill
Este skill funciona mejor cuando lo copias desde findskill.ai — incluye variables y formato que podrían no transferirse correctamente desde otros sitios.
Desarrolla Habilidades Reales en IA
Cursos paso a paso con quizzes y certificados para tu currículum
Cómo Usar Este Skill
1
Copiar el skill usando el botón de arriba
2
Pegar en tu asistente de IA (Claude, ChatGPT, etc.)
3
Completa tus datos abajo (opcional) y copia para incluir con tu prompt
4
Envía y comienza a chatear con tu IA
Personalización Sugerida
| Descripción | Por defecto | Tu Valor |
|---|---|---|
| Vector database to use | Chroma | |
| Embedding model | OpenAI | |
| Programming language I'm using | Python |
What You’ll Get
- Architecture design
- Component selection recommendations
- Implementation code
- Optimization strategies
Fuentes de Investigación
Este skill fue creado usando investigación de estas fuentes autorizadas:
- Anthropic: RAG with Claude Official Claude RAG implementation guide
- LangChain: RAG Tutorial Comprehensive RAG implementation with LangChain
- Pinecone: RAG Guide Vector database RAG patterns and best practices
- OpenAI: Embeddings Guide Text embeddings for semantic search
- Llamaindex: RAG Documentation Advanced RAG patterns and data connectors