Un RAG local que
realmente funciona bien

¿Cuál es la diferencia con el kit IA Local, que ya tiene un capítulo 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 QuelLLM.fr cubren cada componente por separado (ChromaDB por sí solo, chunking por sí solo, búsqueda híbrida BM25 por sí sola, Zotero por sí solo…). El kit ensambla el pipeline completo en orden (ingestión → chunking → embeddings → índice → búsqueda híbrida → reranking → generación → cita → medición), conecta lo que cada guía por separado no conecta y proporciona los 20 archivos probados (scripts, plantillas, comparativas) que ninguna guía por separado ofrece: lo que se paga es el ensamblaje y los scripts, no la información básica.

¿Se necesita 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 (ingestión, embeddings, índice, generación) funciona completamente en tu máquina y nada se envía a terceros. El Capítulo 15 aborda específicamente lo que esto cambia para un corpus de correos o documentos sensibles. Para un despliegue multiusuario en una empresa (RGPD, AI Act, arquitectura de servidor), el kit adecuado es IA Local en Empresa (quelllm.fr/kit-ia-entreprise), no este.

¿El kit cubre los agentes o la automatización?

El Capítulo 12 muestra el RAG utilizado como herramienta por un agente mínimo (un agente, dos herramientas): justo lo suficiente para entender el principio, con una referencia explícita al kit de Agentes Locales (quelllm.fr/kit-agents-locaux) para la orquestación de múltiples pasos, MCP o n8n. Ese 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 QuelLLM.

¿Cómo se entrega y por cuánto tiempo?

Acceso inmediato tras el pago: tu espacio en línea de por vida (siempre con la última edición) + el PDF y el zip de los 20 archivos para descargar, que serán tuyos para siempre. Las futuras actualizaciones (nuevos embedders, nuevas bases vectoriales, frameworks que evolucionan) aparecen en tu espacio sin que tengas que volver a pagar nada.

¿Puedo obtener una factura?

Sí, automáticamente. En cuanto se realiza el pago (Stripe), recibes por correo electrónico tu recibo de Stripe y tu factura PDF a nombre de Falcon Consulting (editor de QuelLLM), con tus datos — indica tu empresa o tu SIREN en el campo correspondiente en el momento del pago. IVA no aplicable, art. 293 B del CGI.

¿El kit sigue actualizado? Las bases vectoriales y los frameworks RAG evolucionan rápidamente.

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 QuelLLM. 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 QuelLLM?

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.