Construiré una canalización de RAG de producción con base de datos vectorial y evaluación


Level 1
Acerca de este Servicio
Traducción automática
La mayoría de las demos de RAG funcionan con unos pocos PDFs y se desmoronan con datos reales. Yo construyo la versión que sobrevive en producción.
Lo que construyo:
Ingesta y fragmentación de documentos ajustadas a tu contenido, no a los valores predeterminados
Configuración de base de datos vectorial: Pinecone, Qdrant, Weaviate, pgvector o Chroma
Búsqueda híbrida (semántica más palabra clave) con reordenamiento para mayor precisión
Citas de fuente en cada respuesta para que los usuarios puedan verificar
Suite de evaluación que mide la precisión de recuperación antes y después
API de chat o consulta que tu app puede llamar, con autenticación y límites de tasa
Reindexación incremental para mantener tus datos actualizados
Controles de tokens y costos, caché, monitoreo y registro
Pila tecnológica: Python, FastAPI, LangChain, LlamaIndex, OpenAI, Claude, PostgreSQL, Redis, Docker, AWS y GCP.
Por qué yo: más de 6 años construyendo backends de producción, 36 pedidos completados en Fiverr con una calificación de 4.9 y 100% de entregas a tiempo. Entrego sistemas que funcionan después de la entrega, con documentación y pruebas, no notebooks.
¿Tienes documentos, una base de datos o una base de conocimientos que quieres consultar? Envíame una descripción breve y te diré honestamente si RAG es la mejor opción y cuánto costará.
Conoce a Mudassar Ali
Full Stack Engineer
Level 1
- DePakistán
- Miembro desdedic 2020
- Responde aprox. en:1 hora
- Última entrega1 semana
Idiomas
Urdu, Punjabí, Inglés
Traducción automática
Mi porfolio
Otros servicios de Desarrollo de IA que ofrezco
FAQ
Traducción automática
¿Qué paquete se ajusta a mi proyecto?
Dime aproximadamente cuánta información tienes y dónde está. La opción starter es para una sola fuente de menos de 500 páginas. La opción production es para un corpus completo donde importa la precisión de las respuestas. La plataforma es para múltiples sistemas que cambian constantemente.
¿Qué base de datos vectorial usas?
Cualquiera que se ajuste a tu caso: Pinecone, Qdrant, Weaviate, Chroma o pgvector. Si ya usas PostgreSQL, pgvector suele evitar un nuevo servicio y costo por completo. Recomiendo según escala y presupuesto, no por preferencia.
¿Qué tan precisas serán las respuestas?
No prometo un número antes de ver tus datos. Lo que sí prometo es medición: la opción Standard y Premium incluyen un conjunto de evaluación para que veas la precisión de recuperación como una cifra, y cada respuesta lleva citas para que puedas rastrear cualquier error.
¿Quién paga por el uso de la API de OpenAI o Claude?
Tú tienes el control en tus propias cuentas, así mantienes la visibilidad total del gasto. Los costos de embedding y consulta son los principales factores. Estimo tu costo mensual realista antes de comenzar y añado caché y límites de tokens para reducirlo.
¿Mis datos se mantienen privados?
Todo funciona en tu propia infraestructura y cuentas de proveedor. Uso endpoints de API que no entrenan con tus datos, y firmaré un acuerdo de confidencialidad. Si tus documentos no pueden salir de tus servidores en absoluto, puedo construir una solución completamente autoalojada con modelos abiertos.
¿Qué necesitas de mí para empezar?
Una muestra de tus documentos o acceso a la base de datos, de 10 a 20 preguntas de ejemplo que los usuarios harán, y tu clave API del proveedor. Las preguntas de ejemplo son lo más importante: se convierten en el conjunto de evaluación contra el cual ajusto la recuperación.
