Factory · Demo RAG

RAG con frontend Next.js y backend FastAPI

Demo conectada a FastAPI mediante NEXT_PUBLIC_RAG_API_URL. Si el backend no está disponible, usa fallback local para mantener la experiencia funcionando.

Modo actual: local-fallback-rag. Backend no configurado: usando fallback local.

Pregunta

Edita la pregunta o usa un ejemplo. Luego presiona el botón para ejecutar el pipeline.

Pipeline ejecutado 1 vez/veces

  1. 1. Next.js envía query
  2. 2. FastAPI ejecuta retrieval
  3. 3. Backend construye respuesta
  4. 4. UI muestra respuesta y fuentes

Respuesta generada

Última consulta ejecutada: ¿Cómo reduce RAG las alucinaciones?

Respuesta local fallback: para la pregunta "¿Cómo reduce RAG las alucinaciones?", recuperé contexto sobre Arquitectura RAG, MLOps para modelos IA, Recomendadores. El sistema limita la respuesta a fuentes recuperadas para reducir alucinaciones. Fuentes: [rag-01] [rag-02] [rag-03]

Contexto recuperado

Arquitectura RAG

score 4

Un sistema RAG combina retrieval y generación. Primero recupera fragmentos relevantes desde una base documental y luego genera una respuesta usando solo ese contexto para reducir alucinaciones.

Fuente: rag-01

MLOps para modelos IA

score 4

MLOps permite desplegar modelos de machine learning con monitoreo, versionado, evaluación continua y pipelines reproducibles. Es clave para pasar de prototipo a producción.

Fuente: rag-02

Recomendadores

score 3

Un sistema de recomendación puede aumentar CTR y conversión usando señales de comportamiento, embeddings, ranking y pruebas A/B para validar impacto real en negocio.

Fuente: rag-03