3.3. Implementación RAG

Implementación de RAG: Conectando tus datos

Vamos a crear tu "Cerebro Corporativo". Tienes dos rutas para lograrlo.

🛡️ Ruta A: Arquitectura Personalizada (Código Python)

• Herramientas: Python, LangChain, ChromaDB.

• Perfil: Ingenieros de datos o desarrolladores que requieren integración profunda.

• Ventaja: Control total sobre cómo se corta y busca la información.

⚡ Ruta B: Drop & Chat (Visual - AnythingLLM)

• Herramientas: AnythingLLM Desktop.

• Perfil: Dueños de negocio, Analistas, Operaciones.

• Ventaja: Pasas de "cero" a "chat con documentos" en 15 minutos. Soberanía local total.

---

Configuración con AnythingLLM Desktop

Esta herramienta crea una base de datos vectorial local en tu máquina.

Paso 1: Instalación Descarga e instala useanything.com.

Paso 2: Configuración del Motor

1. Abre la app. En "LLM Preference", selecciona Ollama (si lo instalaste en la sesión pasada) o Groq (si prefieres nube).

2. En "Vector Database", deja el default (LanceDB). Es local y rápido.

Paso 3: Creación del Workspace

1. Crea un nuevo espacio llamado "Manuales de Empresa".

2. Arrastra tus PDFs al área de carga.

3. Haz clic en "Move to Workspace" y luego "Save and Embed".

   • Aquí es donde ocurre la magia: tus textos se convierten en números.

Paso 4: La Prueba Escribe en el chat: "¿Cuál es la política de viáticos según el manual?" El sistema responderá citando el documento.

### Arquitectura RAG con LangChain

Para quienes desean integrar esto en su propio software.

Requisitos: pip install langchain chromadb ollama

from langchain_community.llms import Ollama
from langchain_community.document_loaders import PyPDFLoader
from langchain_community.vectorstores import Chroma
from langchain_community.embeddings import OllamaEmbeddings

# 1. Cargar
loader = PyPDFLoader("manual_operaciones.pdf")
docs = loader.load_and_split()

# 2. Embeddings & VectorStore
embeddings = OllamaEmbeddings(model="llama3.2")
db = Chroma.from_documents(docs, embeddings)

# 3. Retrieval
query = "¿Cuál es el proceso de devolución?"
docs = db.similarity_search(query)
print(docs[0].page_content)

{% endtab %} {% endtabs %}

{% hint style="success" %} VALIDACIÓN DE ÉXITO Haz una pregunta cuya respuesta esté en la página 20 de un PDF. Si la IA te responde correctamente, tu RAG está vivo. {% endhint %}