RAG with Python Cookbook

Libro de recetas técnicas escrito por Dominik Polzer dedicado por completo al diseño, optimización y puesta en producción de sistemas de Generación Aumentada por Recuperación (RAG) empleando Python. Está pensado para ingenieros de software, desarrolladores de IA y científicos de datos de nivel intermedio que dominan Python y conocen los conceptos básicos de los LLMs, y buscan soluciones prácticas y probadas para superar las deficiencias de los sistemas RAG ingenuos al lidiar con grandes volúmenes de documentos empresariales heterogéneos.

Organizado a lo largo de 11 capítulos con más de 70 recetas prácticas, el temario abarca la totalidad del ciclo de vida de RAG: ingesta y extracción de datos multimodales (PDFs, Word, Excel, CSV, audio, video y OCR con Tesseract), estrategias avanzadas de fragmentación (chunking semántico, recursivo y agéntico), y generación de embeddings para texto e imágenes con CLIP. Desarrolla el almacenamiento y búsqueda vectorial en motores como FAISS, Chroma y PostgreSQL con la extensión pgvector, técnicas de búsqueda híbrida, y algoritmos de recuperación avanzada como HyDE, re-ranking, query routing y auto-merging. Culmina con agentes de herramientas usando la API de OpenAI y Model Context Protocol (MCP), orquestación de grafos con LangGraph y bases de datos orientadas a grafos con Neo4j (Graph RAG), además de evaluación sistemática con métricas de fidelidad y relevancia, y despliegue con Streamlit, Docker y AWS.

El enfoque del libro es 100% modular y basado en recetas y notebooks de Jupyter preparados para ejecutarse localmente o en Google Colab, permitiendo resolver problemas específicos de indexación, recuperación o evaluación de forma independiente. Su principal valor radica en la riqueza de técnicas avanzadas y en desmitificar los componentes internos de RAG sin atar al desarrollador a un único framework monolítico; por otro lado, no aborda el fine-tuning de pesos ni el preentrenamiento de modelos base, pues su foco está exclusivamente en la arquitectura de recuperación, aumento y generación asistida por contexto.