La guía de referencia · 16 capítulos · scripts incluidos · actualizaciones de por vida
Un RAG local que
funciona de verdad

Este kit está redactado en español (PDF y espacio en línea), con el original en francés incluido. El pago se procesa de forma segura con Stripe.
El kit RAG Local: La guía de referencia para construir un RAG fiable con tus propios documentos — PDF, notas, correos, bibliografía de Zotero — sin enviar nada a la nube. El RAG que funciona de forma fiable con 300 PDF, no la demo que funciona una de cada tres veces.
Por 25 € más: los 9 kits actuales y los próximos.
Pago único · actualizaciones de por vida incluidas
- Tu objetivo
- Tu IA trabajando con tus documentos.El recorrido para organizar tu corpus y evaluar las respuestas de tu sistema.
- Lo que recibes
- El kit completo para crear tu propio RAG local.Aprovecha nuestra experiencia práctica y un recorrido guiado para pasar a la acción, desde tus documentos hasta la evaluación de las respuestas.
- Para tu equipo
- Soltura con la línea de comandos.Necesitas una primera experiencia con Ollama o LM Studio. Python es útil, pero no obligatorio.
¿Qué es el kit RAG Local?
El kit RAG Local es una guía de referencia de 16 capítulos (97 páginas) con 21 scripts y plantillas, y un espacio en línea de por vida. Está dirigido a profesionales, investigadores y desarrolladores familiarizados con la línea de comandos, en un PC (8-16 GB de VRAM) o un Mac mini M4 24 GB. Resultado: un pipeline RAG completo — ingesta, chunking, embeddings en francés, índice, híbrido, reranking — medido con un protocolo de recall@k, no probado únicamente con tres ejemplos.
✓ Para ti si…
eres profesional, investigador o desarrollador, te manejas bien con la línea de comandos (Python es útil para la mayoría de los capítulos, pero no es obligatorio), ya utilizas IA local (Ollama/LM Studio, quizá el kit de IA Local) y quieres un RAG que vaya más allá de pulsar un botón para trabajar con decenas o cientos de documentos: contratos, bibliografía de Zotero, correspondencia, wiki interna.
✗ No es para ti si…
solo quieres hacer una pregunta sobre tres PDF de vez en cuando (eso ya lo cubre el kit IA Local, capítulo 8); buscas RAG documental para alimentar un copiloto de código (eso corresponde al kit Copiloto Local); o lo despliegas para varios usuarios en una empresa con restricciones del RGPD (el kit IA Local en Empresa).
Por qué puedes confiar en él
Esta guía está escrita y mantenida por el equipo de QuéLLM — 258 modelos indexados, 382 guías, actualizado cada mañana — que además opera plataformas de IA en producción todo el año (RegulIA, IAPRO). Cada comando, modelo y licencia de esta guía se verifica con la fuente oficial en la fecha de edición (y se vuelve a verificar en cada edición); todos los scripts del pack compilan y se revisan uno por uno. Lo que lees está condensado, verificado y sin rodeos. No es una recopilación de tutoriales encontrados al azar. ¿Quién está detrás de QuéLLM? →
El problema
Ya tienes un asistente de IA local, quizá incluso un RAG que funciona con unos clics (AnythingLLM, Open WebUI). Arrastras un PDF, haces una pregunta y te responde; hasta que un día responde algo que no viene al caso o, peor aún, inventa una cita que no existe en el documento. Con 300 PDF, una biblioteca entera de Zotero o años de correspondencia, ese sistema de unos pocos clics deja de ser suficiente: una fragmentación ingenua, ninguna cita verificable y, sobre todo nunca se mide nada — confías en él basándote en tres ejemplos, no en un protocolo.
La información básica ya está disponible gratis en el sitio, repartida entre 7 guías (ChromaDB, chunking, búsqueda híbrida BM25, Zotero, embeddings en francés, reranking, LlamaIndex). El kit es EL método de referencia: el pipeline completo ensamblado y probado — ingestión, chunking medido, embeddings FR, índice escalable, búsqueda híbrida, reranking y un método para verificar que realmente funciona — no una recopilación de tutoriales que tengas que contrastar por tu cuenta.
El RAG ensamblado y medido vs el RAG con un clic de botón vs pegarlo todo en el LLM
La misma necesidad —consultar tus documentos—, tres formas de satisfacerla. Una comparativa honesta:
| RAG ensamblado (este kit) | RAG con un clic | Pegarlo todo en el LLM | |
|---|---|---|---|
| Aguanta cientos de documentos | Sí | Limitado | No |
| Citas verificables de forma sistemática | Sí, obligatoria | Rara vez fiable | No |
| Búsqueda híbrida (identificadores, nombres propios) | Sí (BM25 + vectorial) | No | No aplicable |
| Calidad medida (recall@k antes/después) | Sí, protocolo incluido | No | No |
| Puesta en marcha | Varias sesiones, pipeline limpio | Unos minutos | Inmediato |
| Privacidad (100 % local) | Sí | Sí | Según el LLM utilizado |
| Coste | 0 €/mes una vez montado | 0 €/mes | Contexto caro a partir de unos pocos documentos |
Hacerlo con un clic sigue siendo la opción adecuada para un uso ocasional con tres documentos (es el kit IA Local, cap. 8). Este kit toma el relevo cuando el corpus, lo que está en juego o la fiabilidad exigida superan lo que se puede lograr con un clic.
Lo que obtienes
- Tu espacio en línea, de por vida — los 16 capítulos disponibles para leer en la web, siempre en su última edición.
- La guía completa en PDF (97 páginas) — el mismo contenido, tuyo para siempre, sin conexión.
- 21 archivos listos para usar (scripts, plantillas, comparativas) — cambio de OCR a visión, pipeline de Zotero con citas, análisis de archivos mbox, 3 estrategias de chunking, comparativas de embeddings y bases vectoriales, búsqueda híbrida RRF, incorporación de un reranker, pipelines de LlamaIndex y agente de LangChain, script de medición de recall@k, árbol de resolución de problemas.
- 2 perfiles de referencia — PC con 8-16 GB de VRAM, Mac mini M4 con 24 GB: en cada ejemplo encuentras tu configuración, nunca un caso que no se aplique a ti.
- El protocolo de medición (Cap. 14) — construir un conjunto de 30-50 preguntas, medir un recall@k antes/después de un cambio, detectar una alucinación sin cita válida siguiendo un protocolo real, no basándose en una impresión.
- Edición en actualización continua — cada actualización (nuevos embedders, bases vectoriales, frameworks) aparece en tu espacio, de por vida, sin tener que volver a pagar nada.
Herramientas: ChromaDB, Qdrant, LanceDB, LlamaIndex, LangChain, Open WebUI Knowledge, AnythingLLM. Embeddings: bge-m3, nomic-embed-text-v2-moe. 100 % local, 0 €/mes una vez configurado.
Los 16 capítulos del kit
97 páginas, desde los fundamentos del pipeline hasta un RAG medido y fiable. No hay nada que saltarse: cada capítulo remite a los siguientes.
- Tu RAG actual miente (o por qué existe este kit)
- Anatomía de un pipeline RAG fiable
- Elegir tu stack: script, framework o interfaz avanzada
- OCR, limpieza, deduplicación: ingerir lo que realmente tenemos
- Zotero: conectar tu bibliografía a un RAG que realmente cite
- Correos y correspondencia: un corpus que solemos olvidar pasar por el RAG
- Chunking: las 5 estrategias y cómo medir cuál gana
- Embeddings multilingües FR: cuál elegir y cómo comprobarlo
- Índice vectorial local: ChromaDB, Qdrant, LanceDB, ¿cuál elegir en 2026?
- Búsqueda híbrida: cuando la búsqueda puramente vectorial no basta
- Reranking: el cross-encoder que corrige la recuperación
- LlamaIndex y LangChain en local: construir más allá de un script escrito a mano
- Open WebUI Knowledge y AnythingLLM en uso avanzado
- Evaluar tu RAG: conjunto de preguntas, citas, alucinaciones
- Coste, velocidad y resolución de problemas por máquina
- RAG en el trabajo, y lo que viene después
Edición en constante actualización: cada actualización amplía este índice (registro de actualizaciones con fechas, cap. 16): no tendrás que volver a comprar nada cuando salga la próxima versión.
Tres resultados rápidos incluso antes de abrir un terminal
El capítulo 1 no se limita a poner el contexto: te ofrece tres mejoras medibles en tu instalación actual, cada una en menos de 30 minutos.
1 · Audita tu RAG actual
La lista de comprobación de 10 puntos detecta en 10 minutos el punto más débil de tu instalación existente (o la ausencia de instalación).
2 · Cambia de embedder con un solo comando
ollama pull bge-m3, cambias el modelo de embeddings en AnythingLLM u Open WebUI y comparas el antes y el después.
3 · Exige una cita verificable
Una cláusula estricta de citación añadida a una pregunta ya formulada — y compruebas que el pasaje citado existe realmente.
4 · Después construye el pipeline completo
Ingesta, chunking medido, embeddings FR, índice, híbrido, reranking: las Partes 2 a 4 te llevan paso a paso.
- El espacio en línea de por vida: 16 capítulos siempre actualizados (índice completo más arriba)
- La guía PDF (97 páginas) + los 21 archivos (scripts, plantillas, comparativas — Zotero, chunking, híbrido, reranking, evaluación…) para descargar
- Los 2 perfiles de referencia (PC 8-16 GB, Mac 24 GB) y el árbol de resolución de problemas de RAG
- Todas las ediciones futuras, de por vida: aparecen en tu espacio
- Acceso inmediato tras el pago; clave de acceso enviada por correo electrónico
Pago seguro mediante Stripe. Factura PDF enviada automáticamente · IVA no aplicable, art. 293 B del CGI.
La verdad sin adornos
Un RAG local montado y evaluado cubre muy bien tus propios documentos, pero no es la solución para todo. Una guía de referencia debe ofrecerte este panorama sincero:
Al terminar el kit, sabrás hacer esto
- Construir un pipeline RAG completo — ingestión, fragmentación, embeddings en francés, índice, búsqueda híbrida, reordenamiento, generación con citas.
- Conectar Zotero, tu correspondencia por correo electrónico o PDF escaneados a un RAG que cita realmente sus fuentes.
- Elegir chunking, embedder y base de datos vectorial con conocimiento de causa, no por defecto.
- Medir un recall@k antes/después de un cambio, en lugar de creer que «funciona mejor».
- Pasar de un script hecho a mano a un framework (LlamaIndex/LangChain) o aprovechar los ajustes avanzados de AnythingLLM/Open WebUI según tus necesidades.
Edición viva — como todos los kits de QuéLLM
«Actualizaciones de por vida» no es un lema: el kit sigue el ecosistema RAG (embedders, bases vectoriales, frameworks) por ti, sin hacerte pagar nada más.
v2026.10 (edición actual, 19/10/2026) — el recorrido de los capítulos 9 a 11 se ejecuta de principio a fin en una sola base (nuevo script index-chroma.py), error de acentos corregido en la búsqueda híbrida, prueba real del 19/10/2026.
v2026.09 — primera edición del kit: 16 capítulos, 2 perfiles de referencia (PC con 8-16 GB de VRAM, Mac mini M4 24 GB), 21 archivos (scripts, plantillas, comparativas).
Las próximas ediciones (nuevos embedders, bases vectoriales, frameworks) se añaden aquí, con sus fechas, y llegan a tu espacio sin que tengas que volver a pagar nada.
Preguntas frecuentes
¿Cuál es la diferencia con el kit IA Local, que ya tiene un capítulo sobre RAG?
El kit de IA local (Cap. 8) te instala un RAG con un clic en AnythingLLM o Open WebUI: arrastrar un PDF, hacer una pregunta; funciona para un uso ocasional. Este kit comienza donde termina ese capítulo: chunking medido, comparación de embeddings en francés, un índice vectorial que funciona a gran escala, búsqueda híbrida, reranking y, sobre todo, un método para verificar que tu RAG responda correctamente, no solo que responda. Aquí no se vuelve a explicar ningún contenido del Cap. 8, solo los ajustes avanzados y los componentes que faltan en la solución de un clic.
¿Cuál es la diferencia con las 7 guías RAG gratuitas del sitio?
Las guías gratuitas de QuéLLM cubren cada pieza por separado (solo ChromaDB, solo chunking, solo híbrido BM25, solo Zotero…). El kit ensambla el pipeline completo en orden (ingesta → chunking → embeddings → índice → híbrido → reranking → generación → cita → medición), conecta lo que cada guía aislada no conecta y proporciona los 21 archivos (scripts, plantillas, comparativas) probados que ninguna guía aislada ofrece — lo que se paga es el ensamblaje y los scripts, no la información básica.
¿Hay que saber programar en Python para seguir este kit?
Python 3.10+ es útil y te sirve para la mayoría de los capítulos (del cap. 4 al cap. 12): los scripts se proporcionan para adaptarlos, no para escribirlos desde cero. El capítulo 13 (Open WebUI Knowledge, AnythingLLM en ajustes avanzados) sigue siendo accesible sin escribir una línea de código. Este kit presupone que te manejas con soltura en la línea de comandos; si empiezas desde cero en IA local, comienza por el kit de IA Local.
¿Cuánto tiempo se necesita para obtener un primer resultado concreto?
El Capítulo 1 ofrece 3 mejoras rápidas que requieren menos de 30 minutos cada una y pueden aplicarse a un RAG ya en funcionamiento (auditoría rápida, cambio de embedder con un solo comando, exigencia de una cita verificable): obtienes una mejora medible incluso antes de abordar el pipeline completo. Construir un pipeline completo sobre tu propio corpus (Partes 2 a 4) requiere varias sesiones, no una hora.
¿En qué máquina funciona?
Dos perfiles de referencia, identificados en cada ejemplo: un PC con entre 8 y 16 GB de VRAM (el modelo de generación recomendado cambia según el extremo del intervalo) o un Mac Apple Silicon con 24 GB de memoria unificada. En un RAG, el cuello de botella casi nunca es la generación, sino la ingestión (OCR, embeddings) y el tamaño del índice; los dos perfiles cubren la mayor parte de las configuraciones profesionales y de desarrollo reales.
¿Mis documentos siguen siendo confidenciales?
Ese es precisamente el principio: el pipeline (ingesta, embeddings, índice, generación) se ejecuta completamente en tu máquina; nada se envía a terceros. Los capítulos 6 (emails) y 16 (RAG en el trabajo) explican específicamente qué cambia para un corpus de emails o de documentos sensibles. Para un despliegue multiusuario en una empresa (RGPD, AI Act, arquitectura de servidor), es el kit IA Local en la Empresa (quelllm.fr/kit-ia-entreprise), no este.
¿El kit cubre los agentes o la automatización?
El capítulo 12 muestra el RAG usado como herramienta por un agente mínimo (un agente, dos herramientas), lo justo para entender el principio, con una referencia explícita al kit Agentes Locales (quellm.com/kit-agents-locaux) para la orquestación de varios pasos, MCP o n8n. No es el tema de este kit.
¿Y si no me convence después de la compra?
Si no estás satisfecho, te devolvemos el dinero durante 30 días; basta un correo electrónico, sin necesidad de justificarlo — como en todos los kits de QuéLLM.
¿Cómo se entrega y por cuánto tiempo?
Acceso inmediato tras el pago: tu espacio en línea de por vida (siempre la última edición) + el PDF y el zip de los 21 archivos para descargar, tuyos para siempre. Las actualizaciones futuras (nuevos embedders, nuevas bases vectoriales, frameworks que evolucionan) aparecen en tu espacio sin que tengas que volver a pagar.
¿Sigue actualizado el kit? Las bases de datos vectoriales y los frameworks RAG evolucionan rápido.
Ese es el principio de las actualizaciones de por vida: cuando un embedder cambia de estado, una base de datos vectorial madura o un framework rompe la compatibilidad, la edición se actualiza en consecuencia, como ocurre con los otros kits QuéLLM. El capítulo 16 también explica cómo comprobar por ti mismo si un dato citado sigue vigente entre dos ediciones.
¿Y si quiero varios kits de QuéLLM?
El paquete «todos los kits, de por vida» agrupa todos los kits actuales y futuros por 49 €. Si ya has comprado un kit por 24 €, la actualización al paquete te cuesta 25 €, no 49 € — el cupón se aplica automáticamente.
¿Qué es exactamente el RAG?
RAG (generación aumentada por recuperación) significa que un LLM buscará la información en tus propios documentos antes de responder, en lugar de responder solo con lo que aprendió durante su entrenamiento —con, en principio, una cita verificable de la fuente. El kit RAG Local construye este pipeline completo, medido, a partir de tus PDF, tu bibliografía o tus correos.
¿Cómo conectar Ollama a un RAG?
Ollama sirve como motor de generación (y a menudo también de embeddings) en un pipeline RAG: una herramienta con interfaz de botones como AnythingLLM o Open WebUI Knowledge se conecta directamente a él para un uso ocasional. Para un pipeline que funciona con cientos de documentos, el kit RAG Local muestra cómo conectar Ollama a ChromaDB o Qdrant, con un script probado en lugar de depender solo de una interfaz.
¿Qué LLM elegir para un RAG local?
La elección importa menos que el flujo de procesamiento que lo rodea: un modelo generalista que tu máquina pueda ejecutar basta para la generación, siempre que la recuperación previa (chunking, embeddings, búsqueda híbrida, reranking) le proporcione los fragmentos adecuados para leer. El kit RAG Local detalla esta cadena completa, no solo la elección del modelo final.
Construye un RAG fiable.
La guía de referencia, desde el primer PDF incorporado hasta un RAG medido y fiable que abarque toda tu biblioteca — sin enviar nada a la nube. Hoy, no «algún día».
Obtener el kit — 24 €