Construcción de Sistemas RAG con Bases de Datos Vectoriales: Chroma, Pinecone y pgvector

Este curso aborda la construcción de un sistema RAG como una cadena de decisiones verificables, no como una simple demostración de búsqueda semántica. El escenario conductor es un portal interno de soporte técnico que debe responder sobre procedimientos de mantenimiento, conservar el origen de cada fragmento y permitir comparar una instalación local con alternativas escalables. Trabajarás con registros pequeños y reproducibles para distinguir los problemas de arquitectura de los problemas propios de una herramienta.

En el primer módulo seguirás el recorrido completo: documentos, fragmentación, embeddings, recuperación, contexto y respuesta. Aprenderás a identificar qué componente transforma el texto, cuál ordena candidatos y cuál redacta la salida. También calcularás similitudes con vectores reducidos para comprobar manualmente por qué un resultado aparece antes que otro. La configuración inicial convertirá esas ideas en un entorno aislado y repetible; el pipeline básico cerrará el módulo con una prueba que conserve texto, identificador y procedencia. El quiz servirá para detectar confusiones entre indexación y consulta, no para memorizar nombres.

El segundo módulo se concentra en Chroma como laboratorio local. Primero establecerás persistencia y una colección con metadatos claros. Después practicarás altas, lecturas, cambios y bajas sin perder la identidad de los documentos. Los filtros permitirán separar versiones, áreas o fechas, mientras las métricas ayudarán a interpretar distancias. El sistema RAG simple combinará recuperación y una respuesta acotada al contexto disponible. La evaluación de este tramo pedirá justificar decisiones con resultados observables, especialmente cuando una consulta no devuelve lo esperado.

El tercer módulo introduce Pinecone desde la perspectiva de una migración controlada. La prioridad será definir dimensión, métrica, identificadores y metadatos antes de cargar datos. Aprenderás a pensar en un índice como una frontera operativa: allí se combinan capacidad, latencia, mantenimiento y gasto. Las consultas avanzadas incorporarán filtros y una tabla de medición con latencia, cantidad recuperada y relevancia. La práctica de migración exigirá comparar una muestra origen-destino y documentar discrepancias antes de considerar que el traslado es correcto. El quiz final de este módulo evaluará escalabilidad sin convertir una cifra aislada en una garantía.

El cuarto módulo integra pgvector con PostgreSQL. Verás cómo una tabla relacional puede conservar texto, fuente, permisos y vector en una misma unidad lógica. Las consultas vectoriales se estudiarán junto con sus límites: dimensión fija, operadores de distancia, filtros SQL y necesidad de medir planes de ejecución. La optimización tratará índices y parámetros como compromisos entre exactitud y velocidad, no como valores universales. La práctica híbrida reunirá coincidencia semántica y condiciones estructuradas para resolver una consulta realista.

El proyecto integrador une los aprendizajes. Diseñarás una arquitectura con límites explícitos, prepararás un conjunto de evaluación, ejecutarás el mismo caso en capas de almacenamiento seleccionadas y registrarás resultados. La comprobación final incluirá trazabilidad de fuentes, consultas reproducibles, controles de filas y cálculos de métricas. Si los resultados difieren, la entrega deberá señalar si la causa probable está en los datos, el modelo de embedding, el filtro, la configuración o la medición. Así, terminarás con un sistema demostrable y con criterios para mantenerlo, no solo con una colección de fragmentos de código.