Cómo crear un agente de IA con RAG y Qdrant que no invente respuestas

Por qué los chatbots “alucinan”

Un modelo de lenguaje responde con lo que aprendió en su entrenamiento. Si le preguntas por tus precios o tu política de devoluciones, va a improvisar. La solución es RAG (Retrieval-Augmented Generation): antes de responder, el agente busca en tus documentos y responde solo con eso.

Los componentes

• Qdrant como base vectorial para guardar fragmentos de tus documentos.
• Un modelo de embeddings para convertir texto en vectores.
• n8n o FastAPI para orquestar la búsqueda y la respuesta.
• Postgres y Redis para memoria de conversación.

El flujo

1. El cliente escribe por WhatsApp.
2. Se busca en Qdrant los 5 fragmentos más parecidos a la pregunta.
3. El modelo recibe la pregunta, los fragmentos y una instrucción clara: “si no está en el contexto, dilo”.
4. La respuesta se envía y la conversación se guarda en el CRM.

resultados = qdrant.search(
    collection_name="conocimiento",
    query_vector=embed(pregunta),
    limit=5,
)
contexto = "\n".join(r.payload["texto"] for r in resultados)

Resultado esperado

Un asistente que responde en segundos, 24/7, con información correcta y que sabe cuándo pasarle la conversación a una persona.