RAG with Python Cookbook

Recetario técnico y exhaustivo desarrollado por Deepak Dhyani que compila más de 120 soluciones prácticas para diseñar, construir y poner a punto sistemas de generación aumentada por recuperación (RAG) y flujos de trabajo de IA agéntica con Python. El libro se dirige a ingenieros de IA, científicos de datos, desarrolladores backend y arquitectos de soluciones de nivel intermedio que conocen Python y los fundamentos de los LLMs, y necesitan patrones de código modulares para resolver problemas reales de indexación, latencia y precisión semántica en arquitecturas empresariales.

A través de recetas autocontenidas, la obra enseña a dominar toda la tubería de datos para RAG: carga y extracción de documentos en múltiples formatos, estrategias de particionado de texto (chunking por tokens, recursivo o semántico) y cálculo de embeddings. Aborda la integración y gestión de almacenes vectoriales con Chroma, FAISS y Pinecone, así como técnicas avanzadas de búsqueda híbrida combinando BM25 con búsqueda vectorial densa y reordenación (reranking) mediante modelos Cross-Encoder. En el apartado de generación, cubre la orquestación con LangChain y LlamaIndex, patrones de prompt engineering como Chain-of-Thought y MapReduce, y la transición hacia arquitecturas de RAG agéntico con razonamiento dinámico y llamadas condicionales a herramientas.

El libro destaca por su estructura orientada a la resolución inmediata de problemas puntuales, permitiendo al lector consultar e integrar fragmentos de código listos para producción sin tener que leer el volumen de forma estrictamente lineal. Proporciona técnicas cruciales de evaluación de pipelines y mitigación de alucinaciones que los manuales introductorios suelen omitir. No construye una única aplicación integral de principio a fin, sino que ofrece un arsenal de componentes desacoplados, por lo que conviene contar con experiencia previa en el consumo de APIs de modelos de lenguaje y familiaridad con entornos virtuales y librerías científicas en Python.