Arquitecturas RAG con LangChain, FastAPI y bases vectoriales

Montar una demo de RAG cuesta una tarde: se cargan unos PDFs, se trocean, se indexan y el modelo responde. Llevar eso a producción es otro deporte. Los documentos reales llegan en formatos sucios, el chunking ingenuo rompe el contexto, la búsqueda puramente vectorial falla con terminología interna, los costes se disparan y nadie sabe medir si el sistema responde bien o solo responde bonito. La distancia entre la demo y el sistema fiable es exactamente lo que cubre este curso.

Es un curso técnico de extremo a extremo. Construirás el pipeline de ingesta completo —parsing de PDF, Word y HTML, limpieza, estrategias de chunking y metadatos—, indexarás en bases vectoriales comparando opciones reales (pgvector para quien ya tiene PostgreSQL, Pinecone como servicio gestionado, FAISS y Qdrant), montarás recuperación híbrida con reranking, orquestarás todo con LangChain y lo expondrás como API en FastAPI con streaming, autenticación y control de costes.

La última parte ataca lo que separa un proyecto serio de un juguete: evaluación con datasets propios, métricas de fidelidad y relevancia, trazabilidad de cada respuesta hasta sus fuentes y despliegue con Docker. Saldrás con un sistema RAG funcional construido por ti durante el curso y con los criterios de arquitectura para adaptarlo al caso de tu empresa.