Proceso

Catro pasos cara á eficiencia

Da carga documental á xeración intelixente. Un fluxo deseñado para técnicos de contratación que valoran o seu tempo.

01
01

Carga o teu historial documental

Conecta LicitadIA cos teus repositorios existentes: SharePoint, Nextcloud, cartafoles locais. A plataforma indexa automaticamente toda a túa documentación histórica de licitacións.

02
02

Define o expediente

Completa un sinxelo formulario cos datos básicos do expediente: tipo de documento, obxecto, CPV, procedemento e importe. LicitadIA entende inmediatamente o contexto.

03
03

Xera o borrador

O sistema RAG recupera os documentos máis relevantes do teu historial e, combinándoos coa información do formulario, xera un borrador completo e coherente en minutos.

04
04

Revisa e axusta

O documento xerado é un borrador intelixente, non un produto final. Edítao libremente, pide modificacións específicas ao asistente conversacional e exporta cando esteas satisfeito.

Anatomía técnica

Como funciona un sistema RAG

A arquitectura que lle permite a un modelo de linguaxe consultar a túa propia documentación en cada resposta. Unha guía paso a paso polas dúas fases do proceso —indexación e consulta— e pola matemática que as sostén.

A columna vertebral conceptual de LicitadIA, explicada sen atallos.

Empezar polo problema Saltar ás animacións
Despraza para empezar
  • · Indexación offline
  • · Consulta online
  • · Similitude do coseno
  • · Fragmentación recursiva
O punto de partida

Tres limitacións dos modelos de linguaxe

Un LLM por si só é un estudante moi intelixente que se examina de memoria. Sen acceso ao material de referencia, falla exactamente nos casos que máis nos importan.

Limitación 01

Coñecemento conxelado

Un modelo adestrado en 2024 non sabe nada do ocorrido tras a súa data de corte. As leis cambian, os precedentes evolucionan, os pregos actualízanse — o LLM non se decata.

Limitación 02

Non coñece a túa información

O LLM nunca leu os expedientes da túa organización, nin os pregos históricos, nin as cláusulas que o teu equipo redactou durante anos. Carece, por completo, de memoria institucional.

Limitación 03

Tendencia a alucinar

Cando o modelo non sabe algo, non cala: inventa respostas que soan plausibles pero son falsas. Nun contexto administrativo —onde unha cláusula errónea é un risco real— iso é inadmisible.

A solución

Un RAG resolve os tres problemas dun golpe: proporciónalle ao modelo, en cada consulta, o contexto exacto que necesita para responder con precisión, actualidade e trazabilidade.

Vexámolo
O contraste

A mesma pregunta, dúas respostas distintas

Antes de baixar ao detalle técnico, observa o que cambia cando un LLM ten —ou non— acceso á documentación real da túa organización.

Pregunta «Cal é o prazo de devolución segundo o contrato marco con ACME?»
LLM sen RAG

Plausible. Xenérico. Inventado. O modelo non leu o teu contrato — extrapola da media do sector.
LLM con RAG
«Cláusula 14.2: o cliente dispón dun prazo de 30 días naturais desde a recepción do produto para exercer o dereito de devolución.»
«Cláusula 14.3: as devolucións deberán incluír a embalaxe orixinal e todos os accesorios.»

Preciso. Específico. Trazable. O modelo cita as cláusulas exactas — a resposta é auditable.
Dúas fases, un mesmo espazo

Visión xeral da arquitectura

Todo RAG se descompón en dúas fases ben diferenciadas. Unha execútase unha soa vez, de forma asíncrona, sobre os documentos. A outra repítese cada vez que un usuario formula unha pregunta.

1 Fase de indexación · offline

Faise unha vez

  1. 01 Reúnes os documentos fonte.
  2. 02 Fragméntalos en chunks coherentes.
  3. 03 Cada chunk pasa por un modelo de embeddings.
  4. 04 Vectores e texto gárdanse na base vectorial.
2 Fase de consulta · online

Repítese en cada pregunta

  1. 01 A pregunta do usuario vectorízase.
  2. 02 Búscanse os vectores máis similares.
  3. 03 Recupéranse os top-k fragmentos.
  4. 04 Constrúese o prompt aumentado.
  5. 05 O LLM xera a resposta final.
Fase 01 · offline

Como se indexa a túa memoria institucional

Sucede unha vez por cada documento que engades. É lento, ocorre en segundo plano e produce algo invisible pero esencial: unha representación numérica de cada idea, lista para ser consultada en milisegundos.

Paso 01

Documentos fonte

Pregos históricos, contratos marco, memorias xustificativas, normativa autonómica. Todo o que a túa organización produciu durante anos entra no sistema.

Paso 02

Fragmentación recursiva

Cada documento rómpese en chunks de 200–1000 tokens, respectando fronteiras naturais (parágrafo, frase). Un solapamento do 10–20 % evita perder información nos bordos.

Paso 03

Vectores de incrustación

Cada chunk pasa por un modelo de embeddings —tipicamente un transformer especializado— que devolve un vector de centos de dimensións que codifica o seu significado.

Paso 04

Base de datos vectorial

Vectores, texto e metadatos almacénanse e indéxanse con HNSW ou outro algoritmo ANN. Listos para responder, en milisegundos, a calquera consulta futura.

Despraza para avanzar — a indexación percorre as catro etapas en orde.
Pausa · espazo vectorial

Significados que se volven xeometría

Cada fragmento convértese nun vector de centos de dimensións. Aquí proxectámolo en dúas para visualizalo: textos que tratan do mesmo sitúanse preto; os que non, lonxe. Esa proximidade xeométrica é a similitude semántica.

DIM-1 → DIM-2 ↑ Pregos técnicos Memorias xustificativas PCAP · cláusulas Prego PPT — alumeado público Especificacións técnicas — limpeza viaria PPT — mantemento de zonas verdes Cláusulas técnicas — climatización Prego — telefonía corporativa PPT — vixilancia de edificios Memoria — necesidade e idoneidade Xustificación — procedemento aberto Memoria económica — anualidades Xustificación — solvencia técnica Memoria — división en lotes Xustificación — criterios adxudicación PCAP — garantías e prazos Cláusula — penalidades por atraso PCAP — condicións especiais de execución Cláusula — modificación contractual PCAP — subrogación laboral Cláusula — confidencialidade Acta de mesa de contratación Decreto adxudicación Anexo solvencia económica
Como lelo

Cada punto é un fragmento. Pasa o cursor sobre o título dun cluster para destacalo. O espazo real ten centos de dimensións — isto é unha proxección 2D pensada para entender a idea.

"O gato come peixe"
→ [0.0234, -0.187, ..., 0.002]

"Un felino consome comida mariña"
→ [0.0301, -0.165, ..., -0.011]

// Vectores próximos no espazo
Fase 02 · online

O que sucede cando alguén pregunta

Cinco pasos, executados en menos dun segundo. A pregunta atravesa o mesmo modelo de embeddings, percorre a base vectorial, recupera os fragmentos relevantes e remata nunha resposta trazable.

Paso 01

Vectorización da pregunta

A pregunta do usuario convértese en vector usando exactamente o mesmo modelo de embeddings co que se indexaron os documentos.

Paso 02

Busca por similitude

A base vectorial calcula o coseno do ángulo entre o vector da pregunta e cada un dos vectores indexados — millóns, en milisegundos.

Paso 03

Top-k fragmentos

Devólvense os k vectores máis similares (tipicamente 3, 5 ou 10) ordenados de maior a menor proximidade semántica.

Paso 04

Prompt aumentado

Ensámblase un prompt que inclúe unha instrución de sistema, os fragmentos recuperados como contexto e a pregunta orixinal do usuario.

Paso 05

Xeración da resposta

O LLM xera a resposta final baseándose unicamente nese contexto, con capacidade de citar a fonte exacta de cada afirmación.

PREGUNTA DO USUARIO Cal é o prazo de devolución segundo o noso contrato? EMBEDDINGS Q-VECTOR [0.04, -0.15, …, 0.01] BASE VECTORIAL cos θ ↑ TOP-K = 3 CHUNK · sim 0.89 «Cláusula 14.2: prazo de 30 días…» CHUNK · sim 0.85 «Cláusula 14.3: devolucións…» CHUNK · sim 0.74 «Cláusula 7.1: prazos de entrega…» PROMPT AUMENTADO [Instrución] Responde baseándote UNICAMENTE no contexto. [Contexto] <chunk_1> <chunk_2> <chunk_3> [Pregunta] Cal é o prazo de devolución segundo o noso contrato? [Resposta] ▌ RESPOSTA · LLM Segundo o contrato, o prazo de devolución é de 30 días naturais desde a recepción do produto (cláusula 14.2). Debe incluír a embalaxe orixinal (cláusula 14.3). 01 02 03 04 05
A matemática do parecido

Similitude do coseno, paso a paso

Dous vectores forman un ángulo. O coseno dese ángulo é a métrica que usa todo RAG para decidir o que é «parecido» e o que non. Ignora a magnitude, fíxase só na dirección — e por iso serve igual de ben para textos curtos que para textos longos.

cos θ · ‖B‖ θ A B EN VIVO θ 28° cos θ 0.883 SIMILITUDE alta Arrastra dentro do círculo para mover o vector B
A fórmula
sim(A, B) = cos θ = A · B ‖A‖ · ‖B‖

Produto escalar dos vectores, dividido polo produto das súas normas.

Próbao
Un exemplo numérico
A = [1, 2, 3] · B = [2, 3, 4]
// produto escalar
A · B = 1·2 + 2·3 + 3·4 = 20
// normas
‖A‖ = √14 ≈ 3.742
‖B‖ = √29 ≈ 5.385
// similitude
sim = 20 / (3.742 · 5.385) ≈ 0.9926
1.0
Mesma dirección
0
Perpendiculares
−1.0
Direccións opostas
Máis alá do RAG vainilla

Seis técnicas que cambian o resultado

O descrito ata aquí é un RAG básico, xa útil. En proxectos reais —e en LicitadIA— aplícanse melloras que multiplican a precisión e reducen as alucinacións a case cero.

01

Busca híbrida

Combina a busca vectorial co BM25 clásico. A semántica capta o significado; o léxico atopa códigos, nomes propios e tecnicismos exactos. Reciprocal Rank Fusion úneas.

02

Re-ranking

Recuperas 20 candidatos e reordénalos cun cross-encoder máis caro pero máis preciso. Quedas cos 5 mellores. Mellora drástica de relevancia, latencia controlada.

03

Expansión de consultas

Un LLM reformula a pregunta en variantes, ou aplicas HyDE: xeras unha resposta hipotética e vectorizas iso, non a pregunta. Funciona porque as respostas se parecen máis aos documentos.

04

Filtrado por metadatos

Antes de buscar, restrinxes o espazo: só documentos do último ano, só do expediente X, só en castelán. Reduce o ruído e multiplica a relevancia.

05

Contexto pai

Indexas chunks pequenos (mellor precisión na busca) pero ao recuperar un pásaslle ao LLM o fragmento maior que o contén. O mellor dos dous mundos.

06

RAG axéntico

Un axente realiza buscas iterativas, refinando a consulta segundo o que vai atopando, ata ter información suficiente. Máis lento; imbatible en preguntas complexas.

Desafíos comúns
Fragmentos mal calibrados
Non hai receita universal; hai que experimentar con tamaños e solapamentos.
Preguntas multidocumento
O RAG clásico frouxea cando a resposta cruza fontes; solucións: resumo xerárquico, axéntico.
Avaliación
Recall@k, fidelidade e relevancia. Frameworks como RAGAS automatizan a medición.
Custos e privacidade
Cachear consultas frecuentes; control de acceso por metadatos para datos sensibles.
POR ISO LICITADIA

A túa memoria institucional, consultable como unha biblioteca.

LicitadIA aplica todo o que viches —fragmentación recursiva, embeddings especializados, busca híbrida, re-ranking e filtrado por expediente— sobre os pregos, memorias e PCAP da túa propia organización. A IA deixa de inventar e empeza a citar.

Solicitar demo gratuíta Ver características
0%
menos tempo en redacción de pregos
0%
trazabilidade de fontes citadas
0
alucinacións sobre datos privados