Un desarrollador chino ha publicado una guía práctica sobre la construcción de un sistema mínimo de Generación Aumentada por Recuperación (RAG) para dotar a los agentes AIOps de conocimiento sobre incidentes históricos. El problema central es que los grandes modelos de lenguaje (LLM) no tienen conocimiento inherente de las fallas pasadas de una organización ni de las especificidades internas del sistema. La solución implica la fragmentación de documentos, la recuperación basada en palabras clave, el filtrado Top-K y el ensamblaje de prompts para inyectar contexto histórico relevante en las respuestas del LLM. La implementación utiliza Python y está diseñada para ser liviana, lo que la hace accesible para equipos sin una infraestructura de ML extensa. Este enfoque es particularmente valioso para los equipos de Ingeniería de Confiabilidad del Sitio (SRE) e Ingeniería de Plataformas que necesitan reducir el tiempo medio de resolución (MTTR) al proporcionar a los operadores acceso instantáneo a datos de incidentes pasados. La publicación también explica los fundamentos de la recuperación vectorial y las estrategias de fragmentación, que son críticas para un RAG efectivo. Para los desarrolladores en el extranjero, esto representa un punto de entrada práctico para aplicar RAG en contextos operativos, una tendencia que está ganando tracción en el espacio de AIOps.
Esta publicación demuestra cómo construir un sistema mínimo de Generación Aumentada por Recuperación (RAG) para permitir que un agente AIOps consulte fallas históricas. Cubre la fragmentación de documentos, la recuperación por palabras clave, el filtrado Top-K y el ensamblaje de prompts usando Python. El enfoque es práctico y aborda un problema común en operaciones: los LLM carecen de contexto sobre incidentes pasados.