RAG from First Principles

"RAG from First Principles", escrito por Jia Huang y publicado por Packt en 2026, es un tratado exhaustivo de más de 600 páginas que descompone las arquitecturas de generación aumentada por recuperación (RAG) capa por capa desde sus fundamentos teóricos y de ingeniería de software. La obra está dirigida a desarrolladores, ingenieros de IA y científicos de datos de nivel intermedio que ya programan en Python y entienden el funcionamiento general de los LLMs, pero que se encuentran con cuellos de botella al usar scripts iniciales o tutoriales básicos y necesitan construir infraestructuras de recuperación sólidas, precisas y listas para entornos de producción.

Mediante una metodología basada en diálogos técnicos y código progresivo, el libro aborda con detalle cada componente del stack RAG: extracción e ingesta de formatos complejos (PDFs, tablas, imágenes y Markdown con herramientas como Unstructured y Marker), diseño de particionado (chunking) sintáctico y semántico, fundamentos de modelos de embeddings y métricas de distancia vectorial, e indexación en bases de datos vectoriales. Huang enseña técnicas de optimización previas a la consulta, búsqueda híbrida combinando representaciones dispersas (BM25) y densas, post-procesamiento con modelos de reranking (Cross-Encoders, ColBERT y Reciprocal Rank Fusion), control de alucinaciones mediante prompt engineering y generación estructurada, frameworks rigurosos de evaluación de fidelidad y relevancia de contexto (incluyendo Self-RAG), así como paradigmas modernos de GraphRAG, Agentic RAG y arquitecturas RAG modulares utilizando Python, LangChain y LlamaIndex.

La práctica se articula en la construcción incremental de componentes modulares y canalizaciones de recuperación completas, desde parsers multimodales hasta sistemas agénticos asistidos por grafos de conocimiento y validadores de respuestas. El mayor aporte del libro es su nivel de profundidad y rigor: explica no solo qué método usar sino los compromisos de latencia, precisión y costo de cada decisión técnica, cubriendo vacíos que los frameworks suelen ocultar. Deja de lado interfaces de usuario o frontends para centrarse exclusivamente en la arquitectura y el backend de datos, por lo que es indispensable contar de antemano con soltura en Python y fundamentos sólidos de procesamiento de lenguaje natural y álgebra vectorial.