Arreglaré y optimizaré la recuperación y las alucinaciones del chatbot rag

¿Tu chatbot RAG recupera evidencia débil, cita la fuente incorrecta o tiene un rendimiento bajo a medida que crecen tus datos?

Diagnóstico, arreglo y optimización de chatbots RAG existentes que omiten pasajes relevantes, clasifican mal la evidencia o responden más allá de sus fuentes.

Inspecciono ingestión, segmentación, metadatos, búsqueda léxica y vectorial, fusión híbrida, clasificación, construcción de contexto, mapeo de citas y comportamiento de evidencia insuficiente. Recibes casos de prueba reproducibles, hallazgos priorizados y resultados claros de antes y después. La opción estándar y Premium incluyen cambios de código acordados.

Mi backend de recuperación en producción combina búsqueda de texto completo y semántica con fusión ponderada, deduplicación de fuentes, lectura de evidencia, caché y verificaciones de regresión. Cuando es apropiado, puedo optimizar la recuperación vectorial básica en un pipeline híbrido mejor probado. Me concentro en la precisión de recuperación medible, no solo en cambios en los prompts.

Trabajo con Python o JavaScript, APIs REST, FastAPI, Cloudflare Workers, PostgreSQL pgvector, Qdrant, SQLite FTS5 y stacks similares.

Escríbeme antes de ordenar con tu stack, ejemplos de fallos, método de acceso y de 2 a 5 preguntas reales.