Ir al contenido

DESARROLLO LLM Y RAG

Desarrollo LLM y RAG para asistentes que responden desde tus documentos

Construimos sistemas de generación aumentada por recuperación (RAG) y aplicaciones LLM que buscan en tus políticas, contratos, manuales y registros, responden en lenguaje claro y muestran el pasaje detrás de cada afirmación. Cuando los documentos no cubren una pregunta, el asistente lo dice y la pasa a una persona.

  • 20+ especialistas en plantilla
  • Servidores MCP y agentes de IA en producción
  • Respuestas con fuentes, por diseño

Consulta gratuita

Recibe una propuesta para tu proyecto

Cuéntanos qué quieres automatizar. Un ingeniero lo revisa y te contacta para agendar una consulta gratuita.

Necesitamos un correo o un teléfono para responderte.

RAG EN ACCIÓN

Una pregunta, dos documentos, una respuesta citada

Un sistema RAG responde en dos movimientos: busca en tu contenido los pasajes que importan y luego hace que el modelo de lenguaje escriba la respuesta solo a partir de ellos. En este ejemplo ilustrativo, un inquilino de una administradora de propiedades de Denver pregunta por la política de mascotas; cada frase de la respuesta apunta a su fuente.

Ejemplo ilustrativo de un asistente con IA que responde con los documentos de una empresa ficticia de administración de propiedades en Denver. Un residente pregunta si se permiten perros en los departamentos de Elm Street y si hay depósito por mascota. El asistente busca en la base de conocimiento, elige dos pasajes relevantes, de la política de mascotas y del anexo del contrato de Elm Street, y redacta una respuesta en la que cada frase cita su fuente: se permiten perros de hasta 50 libras, con un depósito reembolsable único de 300 dólares más 35 dólares al mes de renta por mascota, y los animales de servicio y de apoyo no se consideran mascotas. Lo que no está en los documentos pasa al equipo de arrendamiento.

Ejemplo ilustrativo Negocio, personas y datos ficticios. No es un cliente, una conversación ni un resultado real.

CÓMO FUNCIONA UN PIPELINE RAG

Cómo funciona la generación aumentada por recuperación, paso a paso

La calidad de la respuesta se decide casi siempre antes de que el modelo escriba una palabra. Si la recuperación trae el pasaje equivocado, el mejor modelo del mundo dará una respuesta equivocada; por eso la mayor parte de nuestro desarrollo RAG se va en los cuatro primeros pasos.

  1. 01

    Reunir y limpiar

    Conectamos las fuentes (unidades compartidas, wikis, centros de ayuda, bases de datos), quitamos duplicados y versiones antiguas y registramos quién puede ver cada documento.

  2. 02

    Fragmentar y enriquecer

    Los documentos se dividen en pasajes que conservan títulos, tablas y numeración, etiquetados con metadatos como fecha, producto o sede.

  3. 03

    Vectorizar e indexar

    Cada pasaje se convierte en un vector guardado en una base de datos vectorial, junto a un índice de palabras clave, para encontrar tanto el significado como los términos exactos.

  4. 04

    Recuperar y reordenar

    Al llegar la pregunta, una búsqueda híbrida encuentra pasajes candidatos, un reordenador los prioriza y los filtros de permisos quitan lo que el usuario no puede ver.

  5. 05

    Generar con citas

    El modelo escribe la respuesta solo con los pasajes recuperados, cita cada uno y dice “no lo sé” cuando no contienen la respuesta.

  6. 06

    Registrar y evaluar

    Preguntas, pasajes y respuestas se registran y se puntúan con un conjunto de pruebas, así cualquier cambio se mide antes de publicarse.

RAG VS FINE-TUNING VS PROMPTS

RAG vs fine-tuning vs solo prompts: ¿cuál encaja con tu caso?

Usa RAG cuando el modelo necesita conocer tus datos. Usa fine-tuning cuando debe aprender un formato, un tono o una tarea concreta en la que sigue fallando. Usa solo un buen prompt cuando el conocimiento cabe en las instrucciones. La mayoría de los sistemas en producción son RAG más buenos prompts; el fine-tuning es la excepción que añadimos cuando la evaluación demuestra que ayuda.

  • Qué aprende el modelo

    RAG (Recomendado)
    Tus datos, en el momento de la pregunta
    Fine-tuning de LLM
    Un estilo, formato o habilidad concreta
    Solo prompts
    Reglas que caben en las instrucciones
  • Contenido que cambia a menudo

    RAG (Recomendado)
    Sí
    Fine-tuning de LLM
    No
    Solo prompts
    En parte
  • Cita las fuentes

    RAG (Recomendado)
    Sí
    Fine-tuning de LLM
    No
    Solo prompts
    No
  • Respeta permisos de documentos

    RAG (Recomendado)
    Sí
    Fine-tuning de LLM
    No
    Solo prompts
    En parte
  • Necesita datos de entrenamiento

    RAG (Recomendado)
    No
    Fine-tuning de LLM
    De cientos a miles de ejemplos curados
    Solo prompts
    No
  • Esfuerzo inicial

    RAG (Recomendado)
    Medio: pipeline de datos y evaluación
    Fine-tuning de LLM
    Alto: datasets, entrenamientos, nuevas pruebas
    Solo prompts
    Bajo
  • Mayor riesgo

    RAG (Recomendado)
    Una mala recuperación da respuestas erróneas
    Fine-tuning de LLM
    Conocimiento desactualizado incrustado
    Solo prompts
    Se rompe al crecer reglas y contenido

Comparativa general; las técnicas suelen combinarse. Para más detalle, consulta nuestro artículo sobre RAG vs fine-tuning en el blog.

DESARROLLO DE APLICACIONES LLM

Qué construye nuestra empresa de desarrollo LLM

Nuestro desarrollo de aplicaciones LLM abarca seis tipos de sistema. La mayoría de los clientes empieza con un asistente sobre un conjunto de documentos y añade fuentes y canales cuando las respuestas aguantan.

Chatbots RAG para clientes

Chat en la web o en la app que responde desde tu centro de ayuda, catálogo y políticas, cita el artículo y pasa a soporte cuando hace falta.

Asistentes sobre tu base de conocimiento

Un asistente interno en Slack, Teams o una web que responde desde procedimientos, políticas de RR. HH. y tickets anteriores.

Preguntas y búsqueda en documentos

Pregunta sobre contratos, informes o manuales técnicos y recibe respuestas con la cláusula, la página o la sección enlazada.

Extracción estructurada

Saca campos, fechas y obligaciones de documentos largos a tu base de datos, con el pasaje de origen guardado junto a cada valor.

Modelos con fine-tuning

Cuando la evaluación muestra que un modelo base no mantiene un formato o una tarea concreta, lo ajustamos con ejemplos curados y lo comparamos con la base.

Servidores MCP

Tu base de conocimiento o tu producto expuestos como servidor Model Context Protocol, para que los asistentes de IA busquen y usen sus herramientas con acceso acotado.

Desarrollo de servidores MCP: Servidores MCP
EXPLICADO

Bases de datos vectoriales, fine-tuning y servidores MCP, explicados

Son los términos que salen en toda conversación sobre RAG. Esto es lo que significa cada uno para tu proyecto, en lenguaje claro.

01 / 04

Qué hace una base de datos vectorial en un sistema RAG

Una base de datos vectorial guarda cada pasaje de tu contenido como una lista de números (un embedding) que captura su significado, así el sistema encuentra pasajes sobre “cancelar el contrato antes de tiempo” aunque el documento diga “rescisión anticipada”. Trabaja junto a un índice de palabras clave, porque los términos exactos, como referencias, números de póliza o nombres, siguen importando.

  • Desde una extensión de Postgres hasta servicios gestionados
  • Elegimos según volumen, reglas de alojamiento y costo
  • Filtros de metadatos para fechas, sedes y permisos
02 / 04

Por qué la fragmentación decide la calidad

Antes de vectorizar nada, los documentos se dividen en pasajes. Si partes una tabla por la mitad o separas una regla de su excepción, la recuperación le dará al modelo media verdad. Fragmentamos por estructura (títulos, secciones, filas) y probamos varias estrategias con tus preguntas antes de elegir.

  • Títulos y numeración junto a cada pasaje
  • Tablas y listas completas
  • Estrategia elegida por evaluación, no por defecto
03 / 04

Cuándo compensa el fine-tuning de un LLM

El fine-tuning reentrena un modelo con tus ejemplos para que produzca de forma fiable un formato, un tono o una clasificación. No mantiene al modelo al día con tus datos y cuesta más mantenerlo. Lo recomendamos solo cuando un sistema RAG con buenos prompts sigue sin llegar al nivel en tu conjunto de evaluación. Nuestro artículo sobre RAG vs fine-tuning (en inglés) lo explica a fondo.

  • Sirve para: formatos fijos, clasificación, estilo del sector
  • No sirve para: datos que cambian
  • Siempre comparado con el modelo sin ajustar
04 / 04

Qué aporta un servidor MCP

El Model Context Protocol es un estándar abierto para conectar asistentes de IA con datos y herramientas. Un servidor MCP envuelve tu base de conocimiento o tu sistema para que cualquier asistente compatible pueda buscar en él o llamar a sus funciones, con autenticación y permisos que controlas, en lugar de crear una integración distinta para cada herramienta de IA. Más en nuestra guía sobre el Model Context Protocol (en inglés).

  • Una integración, muchos clientes de IA
  • Herramientas de solo lectura por defecto
  • Cada llamada registrada
RAG EMPRESARIAL

RAG empresarial: permisos, datos al día y trazabilidad

El RAG empresarial es un sistema RAG pensado para muchos usuarios, muchas fuentes y reglas de acceso reales. Lo difícil no es la ventana de chat; es asegurar que un comercial nunca reciba una respuesta sacada de un expediente de RR. HH. y que el cambio de precio de la semana pasada sustituya al del trimestre anterior.

Aplicamos los permisos en la búsqueda con las reglas de acceso del sistema de origen, reindexamos de forma programada o con cada cambio, guardamos versiones para saber de qué documento salió una respuesta y registramos cada pregunta para revisarla. Si el asistente además debe actuar, como abrir un ticket o actualizar un registro, ahí entra la integración de IA con tus sistemas.

  • Filtros de permisos heredados de la fuente
  • Reindexado programado o por evento
  • Respuesta, fuentes y usuario registrados juntos
  • Alojamiento acorde a tus reglas de datos
FUENTES Y TECNOLOGÍA

Dónde vive tu conocimiento y sobre qué construimos

El desarrollo RAG empieza por las fuentes que ya tienes. Estas son las categorías y herramientas habituales con las que trabajamos; los conectores para tus cuentas concretas se confirman al definir el alcance.

Fuentes de documentos

  • SharePoint
  • Google Drive
  • Confluence
  • Notion
  • Archivos PDF y Office

Centros de ayuda y tickets

  • Artículos del help desk
  • Tickets anteriores
  • Documentación de producto

Bases de datos

  • PostgreSQL
  • MySQL
  • Exportaciones del data warehouse

Búsqueda vectorial

  • pgvector
  • Bases vectoriales gestionadas
  • Búsqueda híbrida por palabras y vectores

Modelos

  • OpenAI
  • Anthropic
  • Modelos abiertos en tu infraestructura

Canales

  • Chat web
  • Slack
  • Microsoft Teams
  • Tu app vía API
LÍMITES HONESTOS

Lo que RAG no puede arreglar

Un sistema RAG es tan bueno como los documentos que tiene detrás. En estas situaciones te diremos que hay que arreglar otra cosa primero.

Documentos contradictorios

Si tres versiones de la política de devoluciones no coinciden, el asistente encontrará las tres. Alguien tiene que decidir cuál vale.

Cálculos entre registros

“¿Cuál fue nuestro margen por región el último trimestre?” es una consulta a la base de datos, no una búsqueda en documentos. La enviamos a herramientas SQL o informes.

Conocimiento que nadie escribió

Si la respuesta está en la cabeza de un empleado veterano, la recuperación no tiene nada que encontrar. Capturarlo es el primer paso.

Escaneos de mala calidad

Faxes borrosos y fotos de notas a mano necesitan OCR y limpieza antes de poder buscarse, y algunos nunca lo serán.

Decisiones sin margen de error

Las decisiones clínicas, legales o financieras siguen en manos de profesionales. El asistente encuentra el pasaje; no toma la decisión.

Muy pocos documentos

Si todo cabe en unas pocas páginas, un buen prompt puede bastar sin un pipeline de recuperación.

PERSONALIZACIÓN

Cómo das forma a las respuestas del asistente

Cada regla se escribe en el sistema y queda cubierta por el conjunto de evaluación, para que veas que se cumple antes del lanzamiento.

  • Fuentes: qué carpetas, espacios y bases de datos entran y cuáles quedan fuera expresamente
  • Estilo de cita: enlace, número de página o referencia de sección en cada afirmación
  • Tono: conciso para el equipo, más cercano para clientes, con tu vocabulario
  • Idiomas: preguntas y respuestas en inglés o español, desde documentos en cualquiera de los dos
  • Rechazos: temas que no trata y la frase exacta que usa
  • Umbral de “no lo sé”: cuánta confianza debe tener la recuperación antes de responder
  • Traspaso: adónde van las preguntas sin respuesta, con la conversación adjunta
  • Opiniones: pulgar arriba o abajo, respuestas marcadas y una revisión semanal
SERVICIOS DE DESARROLLO RAG

Cómo trabajamos un desarrollo RAG, de los documentos al lanzamiento

Demostramos la calidad de las respuestas con tus preguntas reales antes de conectar nada a un canal en producción.

Paso 1 de 5

Auditoría de fuentes

Hacemos inventario de tus documentos, detectamos duplicados y huecos y acordamos qué puede usar el asistente.

Entregable: un mapa de fuentes con responsables, reglas de acceso y frecuencia de actualización.

Paso 2 de 5

Conjunto de preguntas

Tu equipo nos da preguntas reales y sus respuestas correctas. Será el conjunto de evaluación con el que se puntúa cada versión.

Paso 3 de 5

Prototipo de recuperación

Probamos fragmentación, embeddings y ajustes de búsqueda hasta que vuelven los pasajes correctos; luego añadimos generación y citas.

Recibes un informe puntuado: qué preguntas pasan, cuáles fallan y por qué.

Paso 4 de 5

Reforzar y conectar

Permisos, reindexado, límites, registros, la interfaz o el canal y el traspaso a tu equipo.

Paso 5 de 5

Piloto y ajuste

Un grupo pequeño lo usa en su trabajo real; revisamos cada semana las respuestas marcadas y ampliamos fuentes o usuarios cuando aguanta.

CASOS DE USO

Chatbots RAG y asistentes de conocimiento por sector

El patrón se repite: un conjunto de documentos que la gente consulta a diario y un costo cuando se usa la versión equivocada. Son ejemplos de lo que construimos, no resultados publicados.

  • Dental

    Consulta de procedimientos y coberturas

    Explica lo que dicen los procedimientos documentados de la clínica sobre un tratamiento, para que el equipo responda siempre igual.

  • Fisioterapia

    Búsqueda de protocolos

    Permite a los fisioterapeutas buscar pautas de ejercicios y protocolos en lenguaje natural, citando el documento de origen.

  • Restaurantes

    Alérgenos y carta

    Responde dudas de los clientes sobre ingredientes desde las fichas de la carta vigente y pasa los casos dudosos al gerente.

  • Software

    Chatbot RAG de soporte

    Un chat para clientes que responde desde el centro de ayuda y pasa los casos sin resolver a un agente con el contexto.

  • Servicios profesionales

    Preguntas sobre contratos y políticas

    Busca en acuerdos firmados plazos de renovación, preavisos y límites de responsabilidad, con la cláusula enlazada.

POR QUÉ APPYWEB

Por qué nos eligen para desarrollo LLM y RAG

Construimos y operamos agentes de IA y servidores MCP en producción, así que la recuperación, los permisos y la evaluación son trabajo diario para nosotros, no experimentos.

Evaluación desde el primer día

Cada versión se puntúa con tus preguntas. Ves aciertos y fallos, no una demo pulida.

Sin atarte a un modelo

Comparamos proveedores con tus datos y estructuramos el código para cambiar de modelo sin rehacerlo.

Entrega documentada

Diseño del pipeline, prompts, pruebas y manuales por escrito, de un equipo de ingeniería en España con sede en Austin, Texas.

SERVICIOS RELACIONADOS

Construye sobre tu base de conocimiento

PREGUNTAS FRECUENTES

Preguntas sobre desarrollo LLM y RAG

¿Qué hace una empresa de desarrollo LLM?

Construye aplicaciones sobre modelos de lenguaje: asistentes que responden desde tus documentos, pipelines de extracción, experiencias de chat y búsqueda, y las integraciones que las rodean. El modelo suele venir de OpenAI, Anthropic o un proyecto de modelo abierto; la empresa diseña la recuperación, los prompts, los límites, la evaluación y la operación.

¿Qué es un chatbot RAG?

Es un asistente de chat que busca en tu propio contenido antes de responder y escribe la respuesta a partir de lo encontrado, citando la fuente. A diferencia de un chatbot general, puede responder sobre tus productos, políticas y procedimientos, y sabe decir “no lo sé” cuando los documentos no cubren la pregunta.

¿Qué es el RAG empresarial?

Es generación aumentada por recuperación diseñada para una organización: muchas fuentes, muchos usuarios y reglas de acceso reales. Añade filtrado por permisos en la búsqueda, reindexado programado, control de versiones, registros de auditoría y un alojamiento que cumple los requisitos de datos de la empresa.

¿Usamos RAG o hacemos fine-tuning de un modelo?

Para conocimiento que cambia, como políticas, precios o detalles de producto, usa RAG: se mantiene al día y cita fuentes. El fine-tuning ayuda cuando un modelo debe seguir de forma fiable un formato, un tono o una tarea concreta. Muchos proyectos solo necesitan RAG y buenos prompts; añadimos fine-tuning cuando el conjunto de evaluación muestra una mejora clara.

¿Necesitamos una base de datos vectorial?

La mayoría de los sistemas RAG usa una, pero no tiene por qué ser un producto aparte. Para volúmenes moderados puede bastar una extensión vectorial en una base de datos que ya tienes. Elegimos según el tamaño del contenido, las reglas de alojamiento y el costo, y normalmente combinamos búsqueda vectorial y por palabras clave.

¿Un servidor MCP es lo mismo que RAG?

No. RAG es una técnica para responder desde tus documentos. Un servidor MCP es una forma estándar de exponer datos y herramientas a asistentes de IA. Funcionan bien juntos: un servidor MCP puede ofrecer una herramienta de “buscar en la base de conocimiento” apoyada en un pipeline RAG, además de otras, como consultar un pedido.

¿Puede un sistema RAG respetar quién puede ver qué?

Sí, si se diseña así desde el principio. Guardamos cada pasaje con las reglas de acceso de su fuente y filtramos los resultados por los permisos del usuario antes de que el modelo los vea, de modo que el asistente no puede citar un documento que esa persona no podría abrir.

¿Cómo miden si las respuestas son buenas?

Con un conjunto de evaluación de preguntas reales y respuestas esperadas de tu equipo. Puntuamos si se recuperaron los pasajes correctos, si la respuesta es fiel a ellos y si las citas son correctas, y repetimos el conjunto antes de cada publicación.

Cuéntanos qué debe saber tu asistente

Indica los documentos o sistemas desde los que debe responder, quién lo usará y dónde. Te responderemos con el enfoque que recomendamos, lo que necesitamos de tu equipo y qué incluiría una primera versión.

  1. 01 Revisamos lo que nos envías antes de hablar.
  2. 02 Una llamada gratuita para identificar qué procesos conviene automatizar.
  3. 03 Una propuesta por escrito con alcance y precio cerrado.

Necesitamos un correo o un teléfono para responderte.