Chatbot RAG personalizado
La mayoría de los chatbots en 2026 o alucinan o se niegan a responder. Un chatbot RAG (Retrieval-Augmented Generation) bien construido no hace ninguna de las dos cosas — extrae los pasajes relevantes desde tus propios documentos y ancla al modelo en ellos, con citas clickeables que el usuario puede verificar. Soy Ignacio (IGNAX), desarrollador full-stack solo nacido en España, basado en Paraguay, especialista SEO/AEO. Los chatbots RAG son una de mis construcciones más frecuentes para soporte SaaS, bases de conocimiento internas y flujos de calificación de leads.
¿Para quién es este servicio?
- Empresas SaaS cuyo equipo de soporte responde las mismas 50 preguntas cada semana.
- Dueños de bases de conocimiento interno cuyo Notion o Confluence se volvió no-buscable.
- Fundadores que quieren calificación de leads hecha por un bot que realmente conoce el producto.
- Agencias que necesitan un especialista RAG senior en un proyecto white-label.
Si todavía estás tratando de decidir entre RAG y fine-tuning, leé primero RAG vs fine-tuning de chatbots — la mayoría de los equipos no necesita un modelo fine-tuneado.
¿Qué incluye una construcción de chatbot RAG?
- Descubrimiento + especificación de una página incluyendo corpus, volumen de consultas objetivo y requisitos de citado.
- Worker de ingesta que recorre tu fuente (Notion, Drive, Confluence, Zendesk, markdown GitHub, base de datos personalizada) y chunkea documentos inteligentemente (consciente de la semántica, no ventanas ingenuas de 500 tokens).
- Vector store sobre pgvector (extensión Postgres) — sin segunda base de datos.
- Capa de recuperación con búsqueda híbrida (BM25 + vectorial) y un reranker para consultas difíciles.
- Capa de generación sobre OpenAI o Anthropic con prompts estrictos de anclaje.
- Renderizado de citas — cada respuesta enlaza de vuelta al pasaje fuente.
- Loop de feedback — pulgar arriba/abajo capturado a una tabla de feedback, usado para crecer el set de eval.
- Arnés de eval — 20–50 preguntas canónicas re-corridas en cada cambio de prompt, score de regresión reportado.
- Widget frontend — widget embebible (Svelte + Web Components) o una UI de chat completa, tu elección.
- Despliegue de producción en tu propia cuenta de cloud. Sos dueño del código, los datos, los embeddings.
- Ventana de 14 días de correcciones post-lanzamiento incluida.
¿Cómo funciona el proceso de construcción?
- Llamada de descubrimiento (gratis, 30 minutos). Traé una muestra del corpus y 10 preguntas que querés que el bot responda bien. Diagnostico la salud del corpus antes de cotizar.
- Especificación de una página + cotización fija dentro de 48 horas. La limpieza del corpus se cotiza por separado si hace falta.
- Prototipo de ingesta + recuperación (semana 1). Antes de cualquier UI, pruebo que la capa de recuperación responde tus 10 preguntas canónicas correctamente.
- Generación + UI (semana 2–3). Widget frontend, renderizado de citas, captura de feedback.
- Pase de eval + handover. Llamada de handover de 60 minutos, runbook escrito, arnés de eval committeado.
Lun–Vie, 8:00–17:00 hora Paraguay (GMT-3). Fines de semana libres. Solapamiento con horario laboral de US East y España por la tarde.
¿Con qué stack entregás y por qué?
- Python 3.12 + LangChain (o LlamaIndex) — abstracciones probadas para ingesta, chunking, recuperación y la capa de reranker.
- pgvector sobre Postgres (Supabase o Neon) — una base, índices HNSW nativos, gratis a escala MVP. Ver la documentación de pgvector como referencia canónica.
- OpenAI o Anthropic — defaulteo a modelos gestionados. Anthropic para casos de uso de anclaje estricto; OpenAI para soporte de alto volumen.
- Reranker Cohere o BGE — sube la precisión de recuperación en consultas de cola larga ~10–15 puntos sin reentrenamiento.
- Widget SvelteKit o React — embebible, testeado en accesibilidad, soporta respuestas streaming.
- Inngest o RQ — para refresco de corpus agendado y corridas async de eval.
Si estás comprometido con un stack solo JavaScript, Vercel AI SDK + LangChain.js es una alternativa limpia — puedo matchear.
¿Cuánto cuesta un chatbot RAG?
Banda de precios: USD 2.500–8.000 (Gs 15,3M–49,1M). La mitad inferior cubre un chatbot de un solo corpus sobre una fuente limpia (ej. tu FAQ existente + docs de producto) con un widget embebible. La mitad superior cubre ingesta multi-fuente (Notion + Drive + Zendesk), limpieza de corpus, tuning de recuperación personalizado o una UI de chat standalone completa. Por hora fuera de esa banda: USD 30–70/hr. Valores en PYG aproximados, se recalculan trimestralmente. Tipo de cambio al 2026-05-27: Gs 6.136,82 / USD. Para el análisis de tradeoffs ver RAG vs fine-tuning de chatbots.
Para agencias — chatbots RAG white-label
RAG white-label es una subcontratación común porque la mayoría de las agencias no tiene todavía un especialista ML in-house, y los clientes están preguntando. Tarifa diaria: USD 240–560/día bajo tu marca y NDA. Firmo tus papeles, entrego bajo tu dominio y permanezco invisible al cliente final. Cobertura bilingüe EN/ES incluida.
¿Cómo se ve el lanzamiento?
Despliego en tu propia cuenta de cloud — AWS, Cloudflare, Fly.io o Render. Sos dueño del repositorio de GitHub desde el commit uno. Después del lanzamiento corro un handover de 60 minutos cubriendo despliegues, secrets, el job de refresco de embeddings, el arnés de eval y cómo leer el feedback de citas. Un runbook escrito vive en el repo. Siguen dos semanas de correcciones gratuitas dentro del alcance.
¿Y el mantenimiento continuo?
La mayoría de los chatbots RAG se estabilizan después del primer mes. Cuando hace falta tuning (drift de corpus, nuevos tipos de doc, nuevas preguntas de eval), ofrezco un bucket de 5–10 horas/mes con 15% de descuento sobre horario. Sin lock-in, cancelación rolling a 30 días. Para fondo más amplio ver ¿qué es AEO? — el mismo principio de anclaje (citá tus fuentes, respondé en los primeros 200 píxeles) aplica al diseño de chatbots.
Casos de estudio y artículos relacionados
- Chatbots de Soporte con IA — bots RAG multi-cliente anclados en bases de conocimiento de clientes.
- Plataforma de Generación de Leads con IA — calificación de leads con RAG dentro de un SaaS.
- RAG vs fine-tuning de chatbots — cuál necesita realmente tu proyecto.
- ¿Qué es AEO? — por qué los principios de answer-engine aplican al diseño de chatbots.
¿Listo para conversar? Escribime a [email protected] con una descripción de tu corpus y las 5 preguntas top que querés respondidas. Respondo dentro de un día hábil.
Horario laboral: Lun–Vie, 8:00–17:00 hora Paraguay (GMT-3). Fines de semana libres. Solapamiento con horario laboral de US East y España por la tarde.
Precio
Valores en PYG aproximados, se recalculan trimestralmente. Tipo de cambio al 2026-05-27: Gs 6.136,82 / USD.
Para agencias
Trabajo en modalidad white-label como subcontratista senior. NDAs estándar bienvenidas. Tarifa día disponible: USD 240–560/día según stack.
Escribir a [email protected]Preguntas frecuentes
¿Cuál es la diferencia entre un chatbot RAG y ChatGPT con archivos cargados?
ChatGPT con archivos cargados vuelca tu documento dentro de la ventana de contexto de una sola conversación. Un chatbot RAG indexa miles de documentos en una base vectorial, recupera los pasajes relevantes en cada consulta y ancla la respuesta del modelo en esos pasajes — con citas. RAG escala a tu base de conocimiento completa, funciona para todos los usuarios simultáneamente y expone un loop de feedback medible. También es el patrón correcto cuando las respuestas deben citar el párrafo fuente por nombre.
¿Qué tan precisas son las respuestas?
Respuesta honesta: 'lo suficientemente precisas para lanzar' es función de la calidad del corpus, el chunking, la recuperación y el reranking — no de la elección del modelo. Sobre un corpus limpio (FAQs curadas, docs estructuradas) veo >90% de respuestas aceptables en evals de usuario. Sobre un corpus desordenado (volcados de foro, hilos de email crudos) baja a 60–70% sin preprocesado. Cotizo trabajo de calidad de recuperación como línea separada en la especificación cuando el corpus necesita limpieza.
¿El chatbot alucina?
Menos que una llamada ChatGPT cruda, nunca cero. Lo mitigo con tres controles. Primero, el modelo recibe instrucción de responder solo desde pasajes recuperados y decir 'no sé' cuando la recuperación está vacía. Segundo, cada respuesta renderiza citas inline que el usuario puede clickear para verificar. Tercero, un set de eval semanal (20–50 preguntas canónicas) se vuelve a correr en cada cambio de prompt para atrapar regresiones antes del despliegue.
¿OpenAI o Anthropic?
Para RAG específicamente, Claude de Anthropic tiende a seguir instrucciones de anclaje más estrictamente — está más dispuesto a decir 'no sé' cuando la recuperación es débil. GPT-4.1 de OpenAI es más rápido y barato para flujos de soporte de alto volumen. Defaulteo a Claude para corpus legales, médicos o sensibles a compliance; a OpenAI para chatbots de soporte B2C donde la velocidad gana sobre la precaución. El modelo es una env var de cualquier modo.
¿Dónde vive la base vectorial?
En la misma base Postgres que el resto de tu app, vía la extensión pgvector. No hay una segunda base de datos para operar. Supabase y Neon ambos traen pgvector por defecto. Solo recurro a Pinecone, Weaviate o Qdrant cuando tenés más de diez millones de vectores o requerimientos de latencia sub-50ms — casi nunca para casos de uso SMB.
¿Cómo mantengo la base de conocimiento del chatbot sincronizada?
A través de un job de ingesta agendado. Cada noche (o en cada actualización de doc, vía webhook) el worker recorre tu fuente — Notion, Google Drive, Confluence, Zendesk, markdown GitHub, lo que sea — hace diff contra el vector store y actualiza solo los chunks cambiados. Los chunks rancios se marcan en el dashboard de costos para que veas cuando tu corpus drifta. El playbook completo de ingesta está documentado en el runbook.
¿Podés hacer esto white-label para nuestra agencia?
Sí. Los chatbots RAG white-label son una subcontratación común — los clientes los piden, las agencias muchas veces no tienen el especialista in-house. Tarifa diaria USD 240–560/día, NDA-friendly, entregables bajo tu marca. Permanezco invisible para el cliente final. Cobertura bilingüe EN/ES incluida sin costo adicional.
¿Qué pasa después del lanzamiento?
Dos semanas de correcciones gratuitas dentro del alcance incluidas. Después de eso, los chatbots RAG típicamente necesitan un bucket de 5–10 horas/mes para refresco de tuning del corpus, actualizaciones del set de eval y el drift ocasional de prompts. No empujo retainers — la mayoría de los chatbots se estabilizan después del mes uno. Cuando necesitás trabajo, facturo contra una tarifa de mantenimiento con 15% de descuento, cancelación rolling a 30 días.