initial commit: slides + practica_resueltos + README

Co-Authored-By: Claude Sonnet 4.6 <noreply@anthropic.com>

slides/pages/rag/01.md

@@ -0,0 +1,14 @@
+---
+layout: cover
+class: text-center
+---
+
+# Módulo 7: RAG
+
+Retrieval Augmented Generation
+
+<div class="pt-12">
+  <span class="text-xl opacity-80">
+    Extendiendo el conocimiento de los LLMs con tus datos
+  </span>
+</div>

slides/pages/rag/02.md

@@ -0,0 +1,25 @@
+---
+layout: default
+---
+
+# ¿Qué es RAG?
+
+<v-clicks>
+
+**Retrieval Augmented Generation** combina búsqueda de información con generación de texto
+
+- **Problema**: Los LLMs tienen conocimiento limitado
+  - Datos de entrenamiento hasta cierta fecha
+  - No conocen información específica de tu empresa
+  - No pueden acceder a bases de datos en tiempo real
+
+- **Solución RAG**:
+  - Buscar información relevante en tus documentos
+  - Proporcionar ese contexto al LLM
+  - Generar respuestas basadas en tus datos
+
+<div class="mt-8 p-4 bg-blue-500/10 rounded">
+💡 <b>En resumen</b>: Dale al LLM la información que necesita para responder correctamente
+</div>
+
+</v-clicks>

slides/pages/rag/03.md

@@ -0,0 +1,28 @@
+---
+layout: default
+---
+
+# Flujo típico de RAG
+
+<div class="mt-8">
+
+```mermaid
+graph LR
+    A[Pregunta del usuario] --> B[Convertir a embedding]
+    B --> C[Buscar en BD vectorial]
+    C --> D[Recuperar documentos relevantes]
+    D --> E[Construir prompt con contexto]
+    E --> F[LLM genera respuesta]
+    F --> G[Respuesta al usuario]
+```
+
+</div>
+
+<v-clicks>
+
+### Dos fases principales
+
+1. **Indexación** (una vez): Convertir documentos a embeddings y almacenarlos
+2. **Recuperación** (cada consulta): Buscar documentos relevantes y generar respuesta
+
+</v-clicks>

slides/pages/rag/03b.md

@@ -0,0 +1,22 @@
+---
+layout: default
+---
+
+# Arquitecturas RAG
+
+<v-clicks>
+
+### 1. 2-Step RAG (Simple)
+- Recuperación **siempre antes** de la generación · Flujo lineal y predecible
+- Ideal para: FAQs, chatbots de documentación · ⚡ Alto control, baja flexibilidad
+
+### 2. Agentic RAG
+- Un **agente decide cuándo y cómo** recuperar información · Razona y usa herramientas
+- Ideal para: Asistentes de investigación · ⚡ Bajo control, alta flexibilidad
+
+### 3. Hybrid RAG
+- Combina ambos con **validación intermedia** · Query + retrieval + answer validation
+- Ideal para: Q&A de dominio específico · ⚡ Control y flexibilidad medios
+
+</v-clicks>
+

slides/pages/rag/04.md

@@ -0,0 +1,14 @@
+---
+layout: cover
+class: text-center
+---
+
+# Embeddings
+
+La base de la búsqueda semántica
+
+<div class="pt-12">
+  <span class="px-2 py-1 rounded cursor-pointer opacity-80">
+    Convirtiendo texto en vectores numéricos
+  </span>
+</div>

slides/pages/rag/05.md

@@ -0,0 +1,27 @@
+---
+layout: default
+---
+
+# ¿Qué son los Embeddings?
+
+<v-clicks>
+
+**Embeddings** son representaciones numéricas de texto que capturan su significado semántico
+
+- Vector de números (típicamente 768, 1536, o 3072 dimensiones)
+- Textos con significado similar tienen embeddings cercanos
+- Permite búsqueda por similitud semántica
+
+### Ejemplo conceptual
+
+```
+"perro"        → [0.2, 0.8, 0.1, ...]
+"gato"         → [0.3, 0.7, 0.2, ...]  ← Similar a perro
+"coche"        → [0.9, 0.1, 0.8, ...]  ← Muy diferente
+```
+
+<div class="mt-4 p-4 bg-green-500/10 rounded">
+✨ La "magia" está en que textos con significados parecidos tienen vectores parecidos
+</div>
+
+</v-clicks>

slides/pages/rag/06.md

@@ -0,0 +1,29 @@
+---
+layout: default
+---
+
+# Proveedores de Embeddings
+
+LangChain soporta múltiples proveedores de embeddings:
+
+<v-clicks>
+
+### OpenAI
+```typescript
+import { OpenAIEmbeddings } from "@langchain/openai";
+
+const embeddings = new OpenAIEmbeddings({
+  model: "text-embedding-3-small", // o text-embedding-3-large
+});
+```
+
+### Google (Vertex AI / Gemini)
+```typescript
+import { GoogleEmbeddings } from "@langchain/google";
+
+const embeddings = new GoogleEmbeddings({
+  model: "text-embedding-004",
+});
+```
+
+</v-clicks>

slides/pages/rag/07.md

@@ -0,0 +1,36 @@
+---
+layout: default
+---
+
+# Más proveedores de Embeddings
+
+<v-clicks>
+
+### Mistral AI
+```typescript
+import { MistralAIEmbeddings } from "@langchain/mistralai";
+
+const embeddings = new MistralAIEmbeddings({
+  model: "mistral-embed",
+});
+```
+
+### Cohere
+```typescript
+import { CohereEmbeddings } from "@langchain/cohere";
+
+const embeddings = new CohereEmbeddings({
+  model: "embed-multilingual-v3.0",
+});
+```
+
+### Ollama (local)
+```typescript
+import { OllamaEmbeddings } from "@langchain/ollama";
+
+const embeddings = new OllamaEmbeddings({
+  model: "llama3.2", // o cualquier modelo compatible
+});
+```
+
+</v-clicks>

slides/pages/rag/08.md

@@ -0,0 +1,27 @@
+---
+layout: default
+---
+
+# ¿Cómo elegir un proveedor?
+
+<v-clicks>
+
+### Criterios a considerar
+
+- **Calidad**: OpenAI y Cohere son los más precisos
+- **Coste**: Varía mucho entre proveedores
+- **Latencia**: Los modelos locales (Ollama) son más rápidos
+- **Privacidad**: Ollama permite procesamiento offline
+- **Dimensiones**: Más dimensiones = más precisión pero más coste de almacenamiento
+- **Idioma**: Algunos modelos funcionan mejor con español (Cohere multilingual)
+
+### Recomendaciones
+
+| Caso de uso | Proveedor recomendado |
+|-------------|----------------------|
+| Máxima calidad | OpenAI `text-embedding-3-large` |
+| Mejor relación calidad/precio | OpenAI `text-embedding-3-small` |
+| Privacidad/Local | Ollama |
+| Multiidioma | Cohere `embed-multilingual-v3.0` |
+
+</v-clicks>

slides/pages/rag/09.md

@@ -0,0 +1,14 @@
+---
+layout: cover
+class: text-center
+---
+
+# Bases de Datos Vectoriales
+
+Almacenando y buscando embeddings
+
+<div class="pt-12">
+  <span class="px-2 py-1 rounded cursor-pointer opacity-80">
+    Búsqueda eficiente por similitud
+  </span>
+</div>

slides/pages/rag/10.md

@@ -0,0 +1,27 @@
+---
+layout: default
+---
+
+# ¿Qué es una Base de Datos Vectorial?
+
+<v-clicks>
+
+**Vector Store** o **Base de Datos Vectorial** almacena embeddings y permite búsquedas por similitud
+
+- Optimizadas para búsqueda por similitud coseno/euclidiana
+- Indexación eficiente de vectores de alta dimensión
+- Retornan los N documentos más similares a una consulta
+
+### Tipos
+
+1. **In-Memory**: Ideal para desarrollo y prototipos
+   - `MemoryVectorStore`
+
+2. **Persistentes**: Para producción
+   - Qdrant, Pinecone, Weaviate, Chroma, etc.
+
+<div class="mt-4 p-4 bg-yellow-500/10 rounded">
+⚠️ En producción, siempre usa una BD vectorial persistente
+</div>
+
+</v-clicks>

slides/pages/rag/11.md

@@ -0,0 +1,34 @@
+---
+layout: default
+---
+
+# MemoryVectorStore - Para desarrollo
+
+<v-clicks>
+
+**MemoryVectorStore** almacena embeddings en memoria (se pierden al cerrar)
+
+```typescript
+import { MemoryVectorStore } from "@langchain/classic/vectorstores/memory";
+import { OpenAIEmbeddings } from "@langchain/openai";
+
+const vectorStore = await MemoryVectorStore.fromTexts(
+  [
+    "LangChain es un framework para aplicaciones con LLMs",
+    "Los embeddings capturan el significado del texto",
+    "RAG combina búsqueda con generación de texto",
+  ],
+  [{ id: 1 }, { id: 2 }, { id: 3 }], // metadata
+  new OpenAIEmbeddings()
+);
+
+// Buscar documentos similares
+const results = await vectorStore.similaritySearch(
+  "¿Qué es RAG?",
+  2 // número de resultados
+);
+
+console.log(results);
+```
+
+</v-clicks>

slides/pages/rag/12.md

@@ -0,0 +1,28 @@
+---
+layout: default
+---
+
+# Bases de Datos Vectoriales en Producción
+
+<v-clicks>
+
+### Opciones populares
+
+| BD Vectorial | Características | Mejor para |
+|--------------|----------------|------------|
+| **Qdrant** | Open source, Rust, muy rápido | Autohosting, alta performance |
+| **Pinecone** | Managed, fácil de usar | Startups, no querer gestionar infra |
+| **Weaviate** | Open source, GraphQL | Búsquedas complejas |
+| **Chroma** | Open source, Python-first | Prototipado rápido |
+| **Milvus** | Open source, escalable | Grandes volúmenes de datos |
+| **pgvector** | Extensión PostgreSQL | Ya usas PostgreSQL |
+
+</v-clicks>
+
+<v-click>
+
+<div class="mt-4 p-4 bg-blue-500/10 rounded">
+💡 <b>Recomendación</b>: Qdrant ofrece el mejor balance entre rendimiento, facilidad de uso y coste
+</div>
+
+</v-click>

slides/pages/rag/13.md

@@ -0,0 +1,29 @@
+---
+layout: default
+---
+
+# Qdrant - Configuración
+
+<v-clicks>
+
+### Instalación
+
+```bash
+npm install @langchain/qdrant @qdrant/js-client-rest
+```
+
+### Iniciar Qdrant con Docker
+
+```bash
+docker run -p 6333:6333 qdrant/qdrant
+```
+
+### O usar Qdrant Cloud
+
+Crear una cuenta gratuita en [qdrant.tech](https://qdrant.tech)
+
+- 1GB de almacenamiento gratis
+- Clusters gestionados
+- Sin necesidad de infraestructura
+
+</v-clicks>

slides/pages/rag/14.md

@@ -0,0 +1,26 @@
+---
+layout: default
+---
+
+# Qdrant - Crear e insertar
+
+```typescript
+import { QdrantVectorStore } from "@langchain/qdrant";
+import { OpenAIEmbeddings } from "@langchain/openai";
+
+const vectorStore = await QdrantVectorStore.fromTexts(
+  [
+    "LangChain es un framework para aplicaciones con LLMs",
+    "Los embeddings capturan el significado del texto",
+    "RAG combina búsqueda con generación de texto",
+  ],
+  [{ source: "doc1" }, { source: "doc2" }, { source: "doc3" }],
+  new OpenAIEmbeddings(),
+  {
+    url: "http://localhost:6333",
+    collectionName: "langchain_docs",
+  }
+);
+
+console.log("Documentos indexados correctamente");
+```

slides/pages/rag/15.md

@@ -0,0 +1,30 @@
+---
+layout: default
+---
+
+# Qdrant - Búsqueda
+
+```typescript
+import { QdrantVectorStore } from "@langchain/qdrant";
+import { OpenAIEmbeddings } from "@langchain/openai";
+
+// Conectar a colección existente
+const vectorStore = await QdrantVectorStore.fromExistingCollection(
+  new OpenAIEmbeddings(),
+  {
+    url: "http://localhost:6333",
+    collectionName: "langchain_docs",
+  }
+);
+
+// Búsqueda por similitud
+const results = await vectorStore.similaritySearch(
+  "¿Qué es RAG?",
+  3 // top 3 resultados
+);
+
+results.forEach((doc, i) => {
+  console.log(`${i + 1}. ${doc.pageContent}`);
+  console.log(`   Metadata:`, doc.metadata);
+});
+```

slides/pages/rag/16.md

@@ -0,0 +1,33 @@
+---
+layout: default
+---
+
+# Qdrant - Búsqueda con score
+
+```typescript
+// Búsqueda con puntuación de similitud
+const resultsWithScore = await vectorStore.similaritySearchWithScore(
+  "embeddings y vectores",
+  3
+);
+
+resultsWithScore.forEach(([doc, score], i) => {
+  console.log(`${i + 1}. Score: ${score.toFixed(3)}`);
+  console.log(`   ${doc.pageContent}`);
+});
+```
+
+<v-click>
+
+### Salida ejemplo
+
+```
+1. Score: 0.892
+   Los embeddings capturan el significado del texto
+2. Score: 0.745
+   RAG combina búsqueda con generación de texto
+3. Score: 0.621
+   LangChain es un framework para aplicaciones con LLMs
+```
+
+</v-click>

slides/pages/rag/16b.md

@@ -0,0 +1,14 @@
+---
+layout: cover
+class: text-center
+---
+
+# Document Loaders y Splitters
+
+Cargando y procesando documentos para RAG
+
+<div class="pt-12">
+  <span class="px-2 py-1 rounded cursor-pointer opacity-80">
+    Del documento fuente al vector store
+  </span>
+</div>

slides/pages/rag/16c.md

@@ -0,0 +1,28 @@
+---
+layout: default
+---
+
+# Document Loaders
+
+<v-clicks>
+
+**Document Loaders** transforman datos de distintas fuentes en objetos `Document` de LangChain
+
+```typescript
+// Estructura de un Document
+interface Document {
+  pageContent: string;    // contenido del texto
+  metadata: Record<string, any>; // información sobre la fuente
+}
+```
+
+### Categorías principales
+
+| Tipo | Ejemplos | Paquete |
+|------|----------|---------|
+| **Archivos locales** | PDF, DOCX, CSV, JSON, EPUB, PPTX | `@langchain/community` |
+| **Web** | Cheerio, Playwright, Puppeteer | `@langchain/community` |
+| **Servicios** | GitHub, Notion, Confluence, Jira | `@langchain/community` |
+| **Audio** | OpenAI Whisper, AssemblyAI | `@langchain/community` |
+
+</v-clicks>

slides/pages/rag/16d.md

@@ -0,0 +1,37 @@
+---
+layout: default
+---
+
+# PDFLoader
+
+<v-clicks>
+
+### Instalación
+
+```bash
+npm install @langchain/community pdf-parse
+```
+
+### Uso
+
+```typescript
+import { PDFLoader } from "@langchain/community/document_loaders/fs/pdf";
+
+// Carga cada página como un Document independiente
+const loader = new PDFLoader("./documentos/manual.pdf");
+const docs = await loader.load();
+
+console.log(`Cargadas ${docs.length} páginas`);
+console.log(docs[0].pageContent.substring(0, 200));
+console.log(docs[0].metadata);
+// { source: './documentos/manual.pdf', pdf: {...}, loc: { pageNumber: 1 } }
+```
+
+### Opciones útiles
+
+```typescript
+// Cargar todo el PDF como un solo documento
+const loader = new PDFLoader("./manual.pdf", { splitPages: false });
+```
+
+</v-clicks>

slides/pages/rag/16e.md

@@ -0,0 +1,39 @@
+---
+layout: default
+---
+
+# CheerioWebBaseLoader
+
+<v-clicks>
+
+Carga páginas web como documentos (sin ejecutar JavaScript)
+
+### Instalación
+
+```bash
+npm install @langchain/community cheerio
+```
+
+### Uso
+
+```typescript
+import "cheerio";
+import { CheerioWebBaseLoader } from
+  "@langchain/community/document_loaders/web/cheerio";
+
+const loader = new CheerioWebBaseLoader(
+  "https://blog.langchain.dev/what-is-an-agent/",
+  { selector: "article" } // selector CSS para filtrar contenido
+);
+const docs = await loader.load();
+
+console.log(docs[0].pageContent.substring(0, 300));
+console.log(docs[0].metadata);
+// { source: 'https://blog.langchain.dev/...', title: '...' }
+```
+
+<div class="mt-4 p-4 bg-yellow-500/10 rounded">
+⚠️ Para SPAs o páginas con JS dinámico, usa <b>Playwright</b> o <b>Puppeteer</b>
+</div>
+
+</v-clicks>

slides/pages/rag/16f.md

@@ -0,0 +1,33 @@
+---
+layout: default
+---
+
+# Otros Document Loaders útiles
+
+<v-clicks>
+
+### CSV
+```typescript
+import { CSVLoader } from "@langchain/community/document_loaders/fs/csv";
+const loader = new CSVLoader("./datos/productos.csv");
+```
+
+### DOCX (Microsoft Word)
+```typescript
+import { DocxLoader } from "@langchain/community/document_loaders/fs/docx";
+const loader = new DocxLoader("./docs/informe.docx");
+```
+
+### Texto plano y Markdown
+```typescript
+import { TextLoader } from "@langchain/community/document_loaders/fs/text";
+const loader = new TextLoader("./docs/README.md");
+```
+
+### JSON
+```typescript
+import { JSONLoader } from "@langchain/community/document_loaders/fs/json";
+const loader = new JSONLoader("./datos/respuestas.json");
+```
+
+</v-clicks>

slides/pages/rag/16f2.md

@@ -0,0 +1,36 @@
+---
+layout: default
+---
+
+# DirectoryLoader
+
+<v-clicks>
+
+Carga todos los archivos de un directorio, mapeando extensiones a loaders
+
+```typescript
+import { DirectoryLoader } from
+  "@langchain/community/document_loaders/fs/directory";
+import { PDFLoader } from
+  "@langchain/community/document_loaders/fs/pdf";
+import { TextLoader } from
+  "@langchain/community/document_loaders/fs/text";
+import { CSVLoader } from
+  "@langchain/community/document_loaders/fs/csv";
+
+const loader = new DirectoryLoader("./documentos/", {
+  ".pdf": (path) => new PDFLoader(path),
+  ".txt": (path) => new TextLoader(path),
+  ".md": (path) => new TextLoader(path),
+  ".csv": (path) => new CSVLoader(path),
+});
+
+const docs = await loader.load();
+console.log(`Cargados ${docs.length} documentos`);
+```
+
+<div class="mt-4 p-4 bg-blue-500/10 rounded">
+💡 Muy útil para indexar carpetas enteras de documentación de una sola vez
+</div>
+
+</v-clicks>

slides/pages/rag/16g.md

@@ -0,0 +1,31 @@
+---
+layout: default
+---
+
+# Text Splitters
+
+<v-clicks>
+
+Los documentos largos deben dividirse en **chunks** antes de crear embeddings
+
+### RecursiveCharacterTextSplitter (recomendado)
+
+```typescript
+import { RecursiveCharacterTextSplitter } from "@langchain/textsplitters";
+
+const splitter = new RecursiveCharacterTextSplitter({
+  chunkSize: 1000,     // máximo de caracteres por chunk
+  chunkOverlap: 200,   // solapamiento entre chunks
+});
+const chunks = await splitter.splitDocuments(docs);
+```
+
+Intenta mantener unidades de texto lógicas (párrafos → frases → palabras)
+
+### ¿Por qué dividir?
+
+- Los embeddings funcionan mejor con textos cortos y cohesivos
+- Enviamos solo contexto relevante al LLM (ahorramos tokens)
+- Mejora la precisión de la búsqueda por similitud
+
+</v-clicks>

slides/pages/rag/16h.md

@@ -0,0 +1,21 @@
+---
+layout: default
+---
+
+# Estrategias de Chunking
+
+<v-clicks>
+
+### ¿Cómo elegir tamaño de chunk?
+
+| Estrategia | chunkSize | chunkOverlap | Mejor para |
+|------------|-----------|--------------|------------|
+| **Fino** | 200-500 | 50 | FAQ, preguntas cortas |
+| **Medio** | 500-1000 | 100-200 | Documentación técnica |
+| **Grueso** | 1000-2000 | 200-400 | Artículos largos, informes |
+
+<div class="mt-4 p-4 bg-blue-500/10 rounded">
+💡 Experimenta con distintos tamaños — el óptimo depende del tipo de documento y las preguntas que esperas recibir
+</div>
+
+</v-clicks>

slides/pages/rag/16h2.md

@@ -0,0 +1,36 @@
+---
+layout: default
+---
+
+# Splitters por tipo de contenido
+
+<v-clicks>
+
+`RecursiveCharacterTextSplitter.fromLanguage()` usa separadores adaptados a cada formato
+
+### Markdown — respeta encabezados y listas
+```typescript
+import { RecursiveCharacterTextSplitter } from "@langchain/textsplitters";
+
+const mdSplitter = RecursiveCharacterTextSplitter.fromLanguage("markdown", {
+  chunkSize: 1000, chunkOverlap: 200,
+});
+```
+
+### HTML — respeta estructura de etiquetas
+```typescript
+const htmlSplitter = RecursiveCharacterTextSplitter.fromLanguage("html", {
+  chunkSize: 1000, chunkOverlap: 200,
+});
+```
+
+### Código JS/TS — respeta funciones y clases
+```typescript
+const codeSplitter = RecursiveCharacterTextSplitter.fromLanguage("js", {
+  chunkSize: 1500, chunkOverlap: 200,
+});
+```
+
+Otros lenguajes soportados: `python`, `java`, `go`, `rust`, `ruby`, `php`...
+
+</v-clicks>

slides/pages/rag/16i.md

@@ -0,0 +1,31 @@
+---
+layout: default
+---
+
+# Extractores y parsers avanzados
+
+<v-clicks>
+
+### Unstructured.io
+Servicio de extracción que soporta **+30 tipos de archivo** (PDF, DOCX, PPTX, imágenes, HTML...)
+
+```typescript
+import { UnstructuredLoader } from
+  "@langchain/community/document_loaders/fs/unstructured";
+
+const loader = new UnstructuredLoader("./docs/informe.pdf", {
+  apiKey: process.env.UNSTRUCTURED_API_KEY,
+  apiUrl: "https://api.unstructuredapp.io/general/v0/general",
+});
+const docs = await loader.load();
+```
+
+- Extrae texto, tablas, imágenes con OCR
+- API cloud o self-hosted
+- Ideal para documentos complejos con layouts mixtos
+
+<div class="mt-4 p-4 bg-blue-500/10 rounded">
+💡 Unstructured es especialmente útil para PDFs escaneados o con tablas complejas donde <code>pdf-parse</code> se queda corto
+</div>
+
+</v-clicks>

slides/pages/rag/16j.md

@@ -0,0 +1,25 @@
+---
+layout: default
+---
+
+# Otros extractores a conocer
+
+<v-clicks>
+
+Cuando `pdf-parse` no es suficiente (PDFs escaneados, tablas complejas, layouts mixtos):
+
+| Extractor | Descripción | JS/TS | Tablas | OCR |
+|-----------|-------------|-------|--------|-----|
+| **Docling** (IBM) | Comprensión avanzada de layout | ❌ Solo Python | ✅ | ✅ |
+| **Azure Doc Intelligence** | Servicio cloud de Microsoft | ✅ | ✅ | ✅ |
+| **Amazon Textract** | Servicio cloud de AWS | ❌ Solo Python | ✅ | ✅ |
+| **LlamaParse** | Parser de LlamaIndex, API cloud | ✅ via API | ✅ | ✅ |
+
+### Docling — mención especial
+
+- Proyecto open source de IBM con excelente calidad de extracción
+- Integración oficial solo con LangChain Python (`langchain-docling`)
+- Desde Node.js: consumir su API REST o usar como preproceso a markdown.
+
+
+</v-clicks>

slides/pages/rag/17.md

@@ -0,0 +1,14 @@
+---
+layout: cover
+class: text-center
+---
+
+# Ejemplo Práctico: RAG con PDFs
+
+Búsqueda semántica sobre documentos
+
+<div class="pt-12">
+  <span class="px-2 py-1 rounded cursor-pointer opacity-80">
+    Del PDF a respuestas inteligentes
+  </span>
+</div>

slides/pages/rag/18.md

@@ -0,0 +1,34 @@
+---
+layout: default
+---
+
+# Paso 1: Cargar el PDF y dividir en chunks
+
+```typescript
+import { PDFLoader } from "@langchain/community/document_loaders/fs/pdf";
+import { RecursiveCharacterTextSplitter } from "@langchain/textsplitters";
+
+// Cargar PDF (cada página → un Document)
+const loader = new PDFLoader("./docs/manual-usuario.pdf");
+const docs = await loader.load();
+console.log(`📥 ${docs.length} páginas cargadas`);
+
+// Dividir en chunks pequeños para mejor búsqueda
+const splitter = new RecursiveCharacterTextSplitter({
+  chunkSize: 1000,
+  chunkOverlap: 200,
+});
+const chunks = await splitter.splitDocuments(docs);
+console.log(`📄 Dividido en ${chunks.length} chunks`);
+```
+
+<v-click>
+
+<div class="mt-4 p-3 bg-blue-500/10 rounded text-sm">
+
+- **chunkSize**: tamaño máximo de cada trozo en caracteres
+- **chunkOverlap**: solapamiento entre chunks para no perder contexto
+
+</div>
+
+</v-click>

slides/pages/rag/19.md

@@ -0,0 +1,34 @@
+---
+layout: default
+---
+
+# Paso 2: Indexar en Qdrant
+
+```typescript
+import { QdrantVectorStore } from "@langchain/qdrant";
+import { OpenAIEmbeddings } from "@langchain/openai";
+
+const embeddings = new OpenAIEmbeddings();
+
+// Crear colección e insertar chunks con sus embeddings
+const vectorStore = await QdrantVectorStore.fromDocuments(
+  chunks,
+  embeddings,
+  {
+    url: "http://localhost:6333",
+    collectionName: "manuales",
+  }
+);
+
+console.log(`✅ ${chunks.length} chunks indexados en Qdrant`);
+```
+
+<v-click>
+
+<div class="mt-4 p-3 bg-green-500/10 rounded text-sm">
+
+`fromDocuments` hace todo: genera embeddings + crea la colección + inserta los vectores
+
+</div>
+
+</v-click>

slides/pages/rag/20.md

@@ -0,0 +1,33 @@
+---
+layout: default
+---
+
+# Paso 3: Buscar documentos relevantes
+
+```typescript
+// Conectar a colección existente
+const vectorStore = await QdrantVectorStore.fromExistingCollection(
+  new OpenAIEmbeddings(),
+  { url: "http://localhost:6333", collectionName: "manuales" }
+);
+
+// Búsqueda semántica
+const pregunta = "¿Cómo resetear la contraseña?";
+const resultados = await vectorStore.similaritySearch(pregunta, 3);
+
+resultados.forEach((doc, i) => {
+  console.log(`\n--- Resultado ${i + 1} ---`);
+  console.log(doc.pageContent.substring(0, 200));
+  console.log("Fuente:", doc.metadata.source);
+});
+```
+
+<v-click>
+
+<div class="mt-4 p-3 bg-yellow-500/10 rounded text-sm">
+
+`similaritySearch(query, k)` devuelve los **k** chunks más similares semánticamente a la query
+
+</div>
+
+</v-click>

slides/pages/rag/21.md

@@ -0,0 +1,37 @@
+---
+layout: default
+---
+
+# Paso 4: RAG - Búsqueda + Generación
+
+```typescript
+import { ChatOpenAI } from "@langchain/openai";
+import { HumanMessage, SystemMessage } from "@langchain/core/messages";
+
+const llm = new ChatOpenAI({ model: "gpt-4.1-mini" });
+
+// Buscar contexto relevante
+const pregunta = "¿Cómo resetear la contraseña?";
+const docs = await vectorStore.similaritySearch(pregunta, 3);
+const contexto = docs.map(d => d.pageContent).join("\n\n");
+
+// Generar respuesta con contexto
+const respuesta = await llm.invoke([
+  new SystemMessage(
+    `Responde basándote SOLO en este contexto:\n\n${contexto}`
+  ),
+  new HumanMessage(pregunta),
+]);
+
+console.log(respuesta.content);
+```
+
+<v-click>
+
+<div class="mt-4 p-3 bg-purple-500/10 rounded text-sm">
+
+Esto es RAG: **recuperar** contexto relevante y pasárselo al LLM para que **genere** la respuesta
+
+</div>
+
+</v-click>

slides/pages/rag/22.md

@@ -0,0 +1,27 @@
+---
+layout: default
+---
+
+# Búsquedas simples
+
+```typescript
+import { QdrantVectorStore } from "@langchain/qdrant";
+import { OpenAIEmbeddings } from "@langchain/openai";
+
+// Conectar a la colección
+const vectorStore = await QdrantVectorStore.fromExistingCollection(
+  new OpenAIEmbeddings(),
+  { url: "http://localhost:6333", collectionName: "manuales" }
+);
+
+// Buscar
+const pregunta = "¿Cómo resetear la contraseña?";
+const resultados = await vectorStore.similaritySearch(pregunta, 3);
+
+resultados.forEach((doc, i) => {
+  console.log(`\n--- Resultado ${i + 1} ---`);
+  console.log(doc.pageContent);
+  console.log("Fuente:", doc.metadata.source);
+  console.log("Página:", doc.metadata.loc?.pageNumber);
+});
+```

slides/pages/rag/23.md

@@ -0,0 +1,33 @@
+---
+layout: default
+---
+
+# RAG completo: Búsqueda + Generación
+
+```typescript
+import { ChatOpenAI } from "@langchain/openai";
+import { PromptTemplate } from "@langchain/core/prompts";
+
+const llm = new ChatOpenAI({ model: "gpt-4.1-mini" });
+
+// Buscar contexto relevante
+const pregunta = "¿Cómo resetear la contraseña?";
+const docs = await vectorStore.similaritySearch(pregunta, 3);
+const contexto = docs.map(d => d.pageContent).join("\n\n");
+
+// Crear prompt con contexto
+const prompt = PromptTemplate.fromTemplate(`
+Responde la pregunta basándote SOLO en el siguiente contexto:
+
+Contexto:
+{contexto}
+
+Pregunta: {pregunta}
+
+Respuesta:`);
+
+const chain = prompt.pipe(llm);
+const respuesta = await chain.invoke({ contexto, pregunta });
+
+console.log(respuesta.content);
+```

slides/pages/rag/24.md

@@ -0,0 +1,27 @@
+---
+layout: default
+---
+
+# Retrievers: Abstracción de búsqueda
+
+<v-clicks>
+
+**Retriever** es una interfaz estándar para recuperar documentos
+
+```typescript
+// Convertir vector store en retriever
+const retriever = vectorStore.asRetriever({
+  k: 3, // número de documentos a recuperar
+});
+
+// Usar el retriever
+const docs = await retriever.invoke("¿Cómo resetear la contraseña?");
+```
+
+### Ventajas
+
+- Interfaz unificada para cualquier fuente de datos
+- Fácil de intercambiar (Qdrant → Pinecone)
+- Compatible con chains predefinidas de LangChain
+
+</v-clicks>

slides/pages/rag/24b.md

@@ -0,0 +1,32 @@
+---
+layout: default
+---
+
+# Reranking: mejorando la relevancia
+
+<v-clicks>
+
+La búsqueda vectorial recupera documentos **similares**, pero no siempre los más **relevantes**. Un **reranker** reordena los resultados usando un modelo especializado.
+
+```typescript
+import { CohereRerank } from "@langchain/cohere";
+
+const reranker = new CohereRerank({
+  apiKey: process.env.COHERE_API_KEY,
+  model: "rerank-v4.0-fast", // multilingüe por defecto
+  topN: 3,
+});
+
+// .compressDocuments() → devuelve los topN Document[] listos para usar en chains
+const rerankedDocs = await reranker.compressDocuments(docs, query);
+
+// .rerank() → devuelve TODOS los índices + scores (más control manual)
+const results = await reranker.rerank(docs, query);
+// [{ index: 2, relevanceScore: 0.95 }, { index: 0, relevanceScore: 0.72 }, ...]
+```
+
+<div class="mt-3 p-3 bg-green-500/10 rounded">
+✨ Patrón común: recuperar ~10 docs con vector search → reranking → top 3 al LLM
+</div>
+
+</v-clicks>

slides/pages/rag/24c.md

@@ -0,0 +1,20 @@
+---
+layout: default
+---
+
+# Proveedores de Reranking
+
+<v-clicks>
+
+| Proveedor | Paquete | Free tier | Self-hosted | Multiidioma |
+|-----------|---------|-----------|-------------|-------------|
+| **Cohere** | `@langchain/cohere` | Trial API key | ❌ | ✅ `rerank-v4.0-pro/fast` |
+| **MixedBread AI** | `@langchain/community` | 100 queries/mes | BYOC (enterprise) | ✅ |
+| **IBM watsonx** | `@langchain/community` | Lite plan | ❌ | ✅ |
+
+
+<div class="mt-4 p-4 bg-blue-500/10 rounded">
+💡 El reranker también ayuda a <b>filtrar duplicados</b>: los chunks redundantes quedan con scores muy similares y se pueden descartar
+</div>
+
+</v-clicks>

slides/pages/rag/24d.md

@@ -0,0 +1,24 @@
+---
+layout: default
+---
+
+# Reranking self-hosted
+
+<v-clicks>
+
+### BAAI/bge-reranker-v2-m3
+
+- Modelo open source (Apache 2.0), 0.6B params, multilingüe
+- Funciona en **CPU** — no necesitas GPU
+- Primera descarga ~600MB, luego se cachea
+
+### Runtimes para servir el modelo
+
+| Runtime | Descripción |
+|---------|-------------|
+| **Infinity** | Runtime ligero y sencillo de configurar. Soporta embeddings y reranking. Ideal para empezar |
+| **TEI** (Text Embeddings Inference) | Runtime de HuggingFace, más optimizado. Tiene imágenes Docker separadas para CPU y GPU |
+
+Ambos se despliegan con Docker y exponen una API REST compatible
+
+</v-clicks>

slides/pages/rag/24e.md

@@ -0,0 +1,36 @@
+---
+layout: default
+---
+
+# Consumir reranker self-hosted desde Node.js
+
+<v-clicks>
+
+No hay integración oficial con LangChain.js, pero la API REST es muy sencilla:
+
+```typescript
+async function rerank(query: string, docs: string[], topN = 3) {
+  const res = await fetch("http://localhost:7997/rerank", {
+    method: "POST",
+    headers: { "Content-Type": "application/json" },
+    body: JSON.stringify({ query, documents: docs }),
+  });
+  const results = await res.json();
+  // [{ index: 2, relevance_score: 0.95 }, { index: 0, relevance_score: 0.72 }, ...]
+
+  return results
+    .sort((a, b) => b.relevance_score - a.relevance_score)
+    .slice(0, topN);
+}
+
+// Uso con documentos de LangChain
+const searchResults = await vectorStore.similaritySearch(query, 10);
+const ranked = await rerank(query, searchResults.map(d => d.pageContent));
+const topDocs = ranked.map(r => searchResults[r.index]);
+```
+
+<div class="mt-4 p-4 bg-blue-500/10 rounded">
+💡 Misma API para Infinity y TEI — cambiar de runtime no requiere cambiar código
+</div>
+
+</v-clicks>

slides/pages/rag/26.md

@@ -0,0 +1,38 @@
+---
+layout: two-cols-header
+---
+
+# Mejores prácticas RAG
+
+::left::
+
+<v-clicks>
+
+### Chunking
+- Tamaño típico: 500-1500 caracteres
+- Overlap: 10-20% del tamaño del chunk
+- Experimenta con diferentes estrategias
+
+### Embeddings
+- Usa el mismo modelo para indexar y buscar
+- Considera modelos multiidioma para español
+- `text-embedding-3-small` buen balance
+
+</v-clicks>
+
+::right::
+
+<v-clicks>
+
+### Búsqueda
+- Recupera 3-5 docs (más no siempre es mejor)
+- Usa metadata para filtrar resultados
+- Considera hybrid search (keyword + semántica)
+
+### Prompts
+- Instruye al LLM a basarse SOLO en el contexto
+- Pide citas/referencias cuando sea posible
+- Maneja casos sin información relevante
+
+</v-clicks>
+

slides/pages/rag/27.md

@@ -0,0 +1,38 @@
+---
+layout: two-cols-header
+---
+
+# Técnicas avanzadas de RAG
+
+::left::
+
+<v-clicks>
+
+### Parent Document Retriever
+- Busca con chunks pequeños
+- Retorna documentos padres completos
+- Mejor contexto sin perder precisión
+
+### Multi-Query Retriever
+- Genera múltiples variaciones de la pregunta
+- Busca con todas las variaciones
+- Combina resultados
+
+</v-clicks>
+
+::right::
+
+<v-clicks>
+
+### Contextual Compression
+- Filtra partes irrelevantes de docs
+- Reduce tokens enviados al LLM
+- Mejora relevancia
+
+### Self-Query Retriever
+- Extrae filtros de metadata de la pregunta
+- "Docs de 2023 sobre Python" → `{year: 2023, topic: "Python"}`
+
+</v-clicks>
+
+

slides/pages/rag/29.md

@@ -0,0 +1,24 @@
+---
+layout: default
+---
+
+# Recursos adicionales
+
+<v-clicks>
+
+### Documentación oficial
+- [LangChain RAG Tutorial](https://docs.langchain.com/oss/javascript/tutorials/rag)
+- [Qdrant LangChain Integration](https://qdrant.tech/documentation/frameworks/langchain/)
+- [OpenAI Embeddings Guide](https://platform.openai.com/docs/guides/embeddings)
+
+### Herramientas útiles
+- [Qdrant Cloud](https://qdrant.tech) - BD vectorial gestionada
+- [LangSmith](https://smith.langchain.com) - Debugging y evaluación
+- [Embedding comparisons](https://huggingface.co/spaces/mteb/leaderboard) - MTEB Leaderboard
+
+### Alternativas a explorar
+- **LlamaIndex**: Framework especializado en RAG
+- **Haystack**: Pipeline flexible para búsqueda
+- **txtai**: Búsqueda semántica ligera
+
+</v-clicks>