Base de conocimiento con IA para empresas medianas. Documentos → embeddings → respuestas fundamentadas.
El caso de uso #1 en empresas medianas: un chatbot que responde preguntas sobre los documentos internos, políticas, contratos, procedimientos, base de clientes, sin alucinar.
Aprende a construir un sistema RAG (Retrieval Augmented Generation) de producción con Supabase pgvector, LangChain y OpenAI. Incluye ingesta desde Notion, Drive y PDFs, evaluación honesta de calidad y patrones para cobrar entre USD $3K–10K por implementación.
Por qué las empresas de 30–500 personas tienen datos por todos lados y por qué eso vale mucha plata resolverlo.
Qué son los embeddings sin matemáticas. Por qué la búsqueda vectorial es distinta a la de texto. Los 3 componentes de todo sistema RAG.
Por qué Supabase pgvector le gana a Pinecone/Weaviate para 99% de los casos. Setup completo del proyecto.
El paso donde la mayoría se rompe: cómo partir documentos, qué metadata guardar y cómo actualizar cuando el documento cambia sin re-indexar todo.
Demo completa: conectores, chunking, embeddings, query, respuesta con citas. Con UI simple (Streamlit o Chainlit) para probar.
El paso que casi nadie hace: métricas de precision/recall, prompts de evaluación con LLM, y qué hacer cuando el sistema alucina.
Hosting (Vercel + Supabase), autenticación básica y estructura de precios para el implementador (setup + mensualidad por uso o por usuario).
Un pago. Acceso de por vida al curso completo.