Este artículo presenta una implementación completa de una base de conocimiento de Generación Aumentada por Recuperación (RAG) adaptada a guías médicas chinas. El sistema utiliza LangChain para la orquestación, MinerU para el análisis de PDF en línea, DashScope para generar incrustaciones de texto y Qdrant como base de datos vectorial. El autor detalla todo el pipeline, desde la configuración del entorno y la construcción de la base de conocimiento hasta la implementación de la funcionalidad de preguntas y respuestas del usuario. Los componentes clave incluyen una API para cargas de archivos, un trabajador para el análisis de documentos y un sistema de consulta que recupera información relevante. Este proyecto sirve como un ejemplo práctico para desarrolladores que buscan construir aplicaciones RAG específicas de dominio, especialmente en campos regulados como la salud. La elección de herramientas y la arquitectura proporcionan una base sólida que puede adaptarse a otros dominios. La publicación también destaca desafíos como la precisión del análisis de documentos y la optimización de la búsqueda vectorial, ofreciendo lecciones valiosas para implementaciones reales.
Un recorrido práctico de un sistema RAG para guías médicas chinas, que cubre análisis de documentos, almacenamiento vectorial y preguntas y respuestas.