Building AI Agents with LLMs, RAG, and Knowledge Graphs

Tratado exhaustivo y práctico de cerca de 600 páginas escrito por Salvatore Raieli y Gabriele Iuculano que explora cómo dotar a los modelos de lenguaje de razonamiento fáctico estructurado y capacidad de acción en el mundo real. Utilizando Python 3.10+, PyTorch y frameworks modernos de orquestación, el texto está concebido para ingenieros de software, científicos de datos y desarrolladores de IA de nivel intermedio que conocen los conceptos básicos de machine learning y buscan dominar la integración sinérgica entre LLMs, Retrieval-Augmented Generation (RAG) y grafos de conocimiento (Knowledge Graphs).

El recorrido temático abarca desde los fundamentos de procesamiento de texto con Deep Learning y la arquitectura Transformer hasta el uso de LLMs como motores centrales de razonamiento. Enseña a implementar estrategias de RAG avanzadas (particionado inteligente de texto, búsqueda vectorial con librerías como Chroma o FAISS y reordenamiento con re-rankers), la construcción y consulta de grafos de conocimiento para anclar relaciones lógicas complejas, y el diseño de agentes capaces de interactuar con APIs web y ejecutar scraping de datos. También examina la aplicación de aprendizaje por refuerzo en agentes, la colaboración multiagente y el despliegue con Streamlit y Docker.

En el apartado práctico, los autores desarrollan un agente de extracción web, un sistema híbrido de RAG conectado a grafos para minimizar alucinaciones y una aplicación multiagente completa contenerizada con Docker y servida con interfaz visual en Streamlit. Su gran valor añadido radica en cómo unifica el conocimiento no estructurado (vectores) con el conocimiento estructurado y relacional (grafos), aportando una base técnica integral difícil de encontrar en obras más concisas. Conviene disponer de un entorno con GPU para los capítulos de modelos y embeddings, además de familiaridad con estructuras de datos en grafo.