Filtrado de metadatos, búsqueda híbrida o agente al crear tu aplicación RAG
¿Qué es RAG?
Generación aumentada por recuperación (RAG) es una técnica que mejora los LLM al integrar fuentes de datos adicionales. Una aplicación RAG típica implica:
Indexación - una canalización para ingerir datos desde una fuente e indexarlos, que generalmente consiste en cargar, dividir y ordenar los datos en Milvus.
Recuperación y generación - En tiempo de ejecución, RAG procesa la consulta del usuario, obtiene datos relevantes del índice almacenado en Milvus, y el LLM genera una respuesta basada en este contexto enriquecido.
Hay diferentes formas de mejorar tu aplicación RAG. En este blog, analizaremos cómo la base de datos vectorial Milvus puede aumentar el rendimiento de tus aplicaciones RAG con sus capacidades de Filtrado de metadatos, Búsqueda híbrida y Agent.
Filtrado de metadatos
Al insertar tus datos en Milvus, es útil incluir metadatos sobre tus datos. Por ejemplo, si trabajas con PDF, puedes insertar la página a la que pertenecen los vectores, el nombre del archivo PDF, el autor, etc.
Almacenar metadatos en Milvus te permite filtrar datos irrelevantes, haciendo que tu recuperación sea más rápida y eficiente. Este enfoque puede ser particularmente útil con tu aplicación RAG, ya que puedes asegurarte de devolver al LLM solo el contenido que sea relevante para la consulta de tu usuario.
Milvus admite coincidencia de metadatos de cadenas completas, lo que hace posible hacer coincidir cadenas mediante búsquedas de prefijo, infijo, sufijo o incluso comodín de carácter.
# Ejemplo de prefijo, coincide con cualquier cadena que comience con “The”.
expression='title like "The%"'
# Ejemplo de infijo, coincide con cualquier cadena con la palabra “the” en cualquier parte de la oración.
expression='title like "%the%"'
# Ejemplo de sufijo, coincide con cualquier cadena que termine con “Rye”.
expression='title like "%Rye"'
# Ejemplo de comodín de un solo carácter, coincide con cualquier carácter único en una posición específica.
expression='title like "Flip_ed"'
También es posible usar valores de matriz, ya sea mediante coincidencias exactas o comprobando si algún elemento de la matriz coincide con contains_any().
Búsqueda híbrida
Milvus permite hasta 10 campos vectoriales en una sola colección de conjunto de datos. Este soporte habilita la búsqueda híbrida, permitiendo a los usuarios buscar en varias columnas vectoriales simultáneamente. Esta capacidad facilita la búsqueda multimodal, la búsqueda híbrida dispersa y densa, y la búsqueda híbrida densa y de texto completo, proporcionando una funcionalidad de búsqueda versátil y flexible.
Los vectores en diferentes columnas representan varios aspectos de los datos generados por diferentes modelos de embedding con métodos de procesamiento distintos. Los resultados de búsqueda híbrida se combinan y se reordenan usando varias estrategias de reordenamiento.
Cómo funciona la búsqueda híbrida en Milvus
Representar múltiples perspectivas de información. Por ejemplo, en el comercio electrónico, las imágenes de productos incluyen vistas frontal, lateral y superior. Diferentes vistas pueden representarse con diferentes tipos o dimensiones de vectores.
Utilizar varios tipos de embeddings vectoriales. Esto incluye embeddings densos de modelos como BERT y Transformers y embeddings dispersos de algoritmos como BM25, BGE-M3, y SPLADE.
Admite la fusión de vectores multimodales de varios tipos de datos no estructurados, como imágenes, videos, audio y archivos de texto. Por ejemplo, en investigaciones criminales, los sospechosos pueden representarse mediante modalidades biométricas como huellas dactilares, huellas de voz y reconocimiento facial, lo que ayuda a identificar individuos en diferentes modalidades.
Admite la fusión de búsqueda vectorial y búsqueda de texto completo.
Agentes en aplicaciones RAG
Los modelos de lenguaje grandes no pueden realizar acciones por sí mismos: solo generan texto. Los agentes son sistemas que utilizan LLMs como motores de razonamiento para determinar qué acciones tomar y las entradas que deben pasarles. Después de ejecutar acciones, los resultados pueden transmitirse de vuelta al LLM para determinar si se necesitan más acciones o si está bien finalizar.
Pueden utilizarse para realizar acciones como buscar en la web, explorar tus correos electrónicos, corregir RAG para añadir autorreflexión o autoevaluación sobre los documentos recuperados, y muchas más.
Una vez configurados, los agentes pueden añadir nuevos datos a Milvus si los datos aún no están almacenados, o también pueden recuperarlos y devolvérselos a tu LLM. Esto permite que tu sistema RAG siga estando actualizado. Milvus también facilita la actualización de tus datos si es necesario con la función ``` upsert()` ``.
Por eso es importante tener metadatos en tu colección, ya que te permite hacer upsert solo de la información necesaria.
No dudes en consultar nuestro blog, donde mostramos cómo crear un sistema RAG agéntico local con LangGraph, Llama 3 y Milvus
Conclusión
Para concluir, el uso de Filtrado de metadatos, Búsqueda híbrida y Agentes, todos integrados en Milvus, puede mejorar tu aplicación RAG.
El Filtrado de metadatos te permite enriquecer tus datos con atributos adicionales, lo que posibilita búsquedas precisas y eficientes. La Búsqueda híbrida amplía las capacidades de búsqueda al permitir consultas en múltiples columnas vectoriales. Los Agentes llevan la funcionalidad un paso más allá al automatizar acciones basadas en la salida del LLM.
Puedes crear una aplicación RAG más robusta y eficiente usando estas estrategias.
Si disfrutaste esta publicación del blog, considera darnos una estrella en Github y unirte a nuestro Discord para compartir tus experiencias con la comunidad.
Sigue leyendo
A Few Notes from Databricks Data + AI Summit 2026: Why the Data Layer Matters Again
James Luan shares notes from Databricks Data + AI Summit 2026 on why production AI is pushing the data layer back to the center of infrastructure.
We spent 8 years making vector databases faster. Then we stopped.
Rarely queried embeddings still need to stay searchable. See how Vector Lakebase enables on-demand vector search without always-on compute costs.
Top 10 Context Engineering Techniques You Should Know for Production RAG
A practical guide to context engineering for production LLM systems, covering RAG, context processing, memory, agents, and multimodal context.