Limitació 01
Coneixement congelat
Un model entrenat el 2024 no sap res del que ha passat després de la seva data de tall. Les lleis canvien, els precedents evolucionen, els plecs s'actualitzen — l'LLM no se n'assabenta.
Procés
Quatre passos cap a l'eficiència
De la càrrega documental a la generació intel·ligent. Un flux dissenyat per a tècnics de contractació que valoren el seu temps.
01
01
Carrega el teu historial documental
Connecta LicitadIA amb els teus repositoris existents: SharePoint, Nextcloud, carpetes locals. La plataforma indexa automàticament tota la teva documentació històrica de licitacions.
02
02
Defineix l'expedient
Omple un formulari senzill amb les dades bàsiques de l'expedient: tipus de document, objecte, CPV, procediment i import. LicitadIA entén immediatament el context.
03
03
Genera l'esborrany
El sistema RAG recupera els documents més rellevants del teu historial i, combinant-los amb la informació del formulari, genera un esborrany complet i coherent en minuts.
04
04
Revisa i ajusta
El document generat és un esborrany intel·ligent, no un producte final. Edita'l lliurement, demana modificacions específiques a l'assistent conversacional i exporta'l quan estiguis satisfet.
Anatomia tècnica
Com funciona un sistema RAG
L'arquitectura que permet a un model de llenguatge consultar la teva pròpia documentació en cada resposta. Una guia pas a pas per les dues fases del procés —indexació i consulta— i per la matemàtica que les sosté.
La columna vertebral conceptual de LicitadIA, explicada sense atalls.
Llisca per començar
- · Indexació offline
- · Consulta online
- · Similitud del cosinus
- · Fragmentació recursiva
El punt de partida
Tres limitacions dels models de llenguatge
Un LLM tot sol és un estudiant molt intel·ligent que s'examina de memòria. Sense accés al material de referència, falla exactament en els casos que més ens importen.
Limitació 02
No coneix la teva informació
L'LLM mai no ha llegit els expedients de la teva organització, ni els plecs històrics, ni les clàusules que el teu equip ha redactat durant anys. Manca, per complet, de memòria institucional.
Limitació 03
Tendència a al·lucinar
Quan el model no sap alguna cosa, no calla: inventa respostes que sonen plausibles però són falses. En un context administratiu —on una clàusula errònia és un risc real— això és inadmissible.
La solució
Vegem-ho Un RAG resol els tres problemes d'un sol cop: proporciona al model, en cada consulta, el context exacte que necessita per respondre amb precisió, actualitat i traçabilitat.
El contrast
La mateixa pregunta, dues respostes diferents
Abans de baixar al detall tècnic, observa què canvia quan un LLM té —o no— accés a la documentació real de la teva organització.
Pregunta «Quin és el termini de devolució segons el contracte marc amb ACME?»
LLM sense RAG
Plausible. Genèric. Inventat. El model no ha llegit el teu contracte — extrapola de la mitjana del sector.
LLM amb RAG
«Clàusula 14.2: el client disposa d'un termini de 30 dies naturals des de la recepció del producte per exercir el dret de devolució.»
«Clàusula 14.3: les devolucions hauran d'incloure l'embalatge original i tots els accessoris.»
Precís. Específic. Traçable. El model cita les clàusules exactes — la resposta és auditable.
Dues fases, un mateix espai
Visió general de l'arquitectura
Tot RAG es descompon en dues fases ben diferenciades. Una s'executa una sola vegada, de manera asíncrona, sobre els documents. L'altra es repeteix cada vegada que un usuari formula una pregunta.
1 Fase d'indexació · offline
Es fa una vegada
- 01 Reuneixes els documents font.
- 02 Els fragmentes en chunks coherents.
- 03 Cada chunk passa per un model d'embeddings.
- 04 Vectors i text es desen a la base vectorial.
2 Fase de consulta · online
Es repeteix en cada pregunta
- 01 La pregunta de l'usuari es vectoritza.
- 02 Es busquen els vectors més similars.
- 03 Es recuperen els top-k fragments.
- 04 Es construeix el prompt augmentat.
- 05 L'LLM genera la resposta final.
Fase 01 · offline
Com s'indexa la teva memòria institucional
Passa una vegada per cada document que afegeixes. És lent, té lloc en segon pla i produeix una cosa invisible però essencial: una representació numèrica de cada idea, a punt per ser consultada en mil·lisegons.
Pas 01
Documents font
Plecs històrics, contractes marc, memòries justificatives, normativa autonòmica. Tot el que la teva organització ha produït durant anys entra al sistema.
Pas 02
Fragmentació recursiva
Cada document es trenca en chunks de 200–1000 tokens, respectant fronteres naturals (paràgraf, frase). Un encavalcament del 10–20 % evita perdre informació a les vores.
Pas 03
Vectors d'incrustació
Cada chunk passa per un model d'embeddings —típicament un transformer especialitzat— que retorna un vector de centenars de dimensions que codifica el seu significat.
Pas 04
Base de dades vectorial
Vectors, text i metadades s'emmagatzemen i s'indexen amb HNSW o un altre algorisme ANN. A punt per respondre, en mil·lisegons, a qualsevol consulta futura.
Llisca per avançar — la indexació recorre les quatre etapes en ordre.
Pausa · espai vectorial
Significats que es tornen geometria
Cada fragment es converteix en un vector de centenars de dimensions. Aquí el projectem en dues per visualitzar-lo: textos que tracten del mateix se situen a prop; els que no, lluny. Aquesta proximitat geomètrica és la similitud semàntica.
Fase 02 · online
El que passa quan algú pregunta
Cinc passos, executats en menys d'un segon. La pregunta travessa el mateix model d'embeddings, recorre la base vectorial, recupera els fragments rellevants i acaba en una resposta traçable.
Pas 01
Vectorització de la pregunta
La pregunta de l'usuari es converteix en vector fent servir exactament el mateix model d'embeddings amb què es van indexar els documents.
Pas 02
Cerca per similitud
La base vectorial calcula el cosinus de l'angle entre el vector de la pregunta i cada un dels vectors indexats — milions, en mil·lisegons.
Pas 03
Top-k fragments
Es retornen els k vectors més similars (típicament 3, 5 o 10) ordenats de més a menys proximitat semàntica.
Pas 04
Prompt augmentat
Es munta un prompt que inclou una instrucció de sistema, els fragments recuperats com a context i la pregunta original de l'usuari.
Pas 05
Generació de la resposta
L'LLM genera la resposta final basant-se únicament en aquest context, amb capacitat de citar la font exacta de cada afirmació.
La matemàtica de la semblança
Similitud del cosinus, pas a pas
Dos vectors formen un angle. El cosinus d'aquest angle és la mètrica que fa servir tot RAG per decidir què és «semblant» i què no. Ignora la magnitud, es fixa només en la direcció — i per això serveix igual de bé per a textos curts que per a textos llargs.
La fórmula
sim(A, B) = cos θ =
A · B ‖A‖ · ‖B‖
Producte escalar dels vectors, dividit pel producte de les seves normes.
Prova-ho
Un exemple numèric
A = [1, 2, 3] · B = [2, 3, 4]
// producte escalar
A · B = 1·2 + 2·3 + 3·4 = 20
// normes
‖A‖ = √14 ≈ 3.742
‖B‖ = √29 ≈ 5.385
// similitud
sim = 20 / (3.742 · 5.385) ≈ 0.9926
// producte escalar
A · B = 1·2 + 2·3 + 3·4 = 20
// normes
‖A‖ = √14 ≈ 3.742
‖B‖ = √29 ≈ 5.385
// similitud
sim = 20 / (3.742 · 5.385) ≈ 0.9926
1.0
Mateixa direcció
0
Perpendiculars
−1.0
Direccions oposades
Més enllà del RAG vanilla
Sis tècniques que canvien el resultat
El que s'ha descrit fins aquí és un RAG bàsic, ja útil. En projectes reals —i a LicitadIA— s'apliquen millores que multipliquen la precisió i redueixen les al·lucinacions a quasi zero.
01
Cerca híbrida
Combina la cerca vectorial amb BM25 clàssic. La semàntica capta el significat; el lèxic troba codis, noms propis i tecnicismes exactes. Reciprocal Rank Fusion les uneix.
02
Re-ranking
Recuperes 20 candidats i els reordenes amb un cross-encoder més car però més precís. Et quedes amb els 5 millors. Millora dràstica de rellevància, latència controlada.
03
Expansió de consultes
Un LLM reformula la pregunta en variants, o apliques HyDE: generes una resposta hipotètica i vectoritzes això, no la pregunta. Funciona perquè les respostes s'assemblen més als documents.
04
Filtratge per metadades
Abans de buscar, restringeixes l'espai: només documents de l'últim any, només de l'expedient X, només en castellà. Redueix el soroll i multiplica la rellevància.
05
Context pare
Indexes chunks petits (més precisió en la cerca) però, quan en recuperes un, passes a l'LLM el fragment més gran que el conté. El millor dels dos mons.
06
RAG agèntic
Un agent fa cerques iteratives, refinant la consulta segons el que va trobant, fins a tenir prou informació. Més lent; imbatible en preguntes complexes.
Reptes comuns
Fragments mal calibrats
No hi ha recepta universal; cal experimentar amb mides i encavalcaments.
Preguntes multidocument
El RAG clàssic fluixeja quan la resposta creua fonts; solucions: resum jeràrquic, agèntic.
Avaluació
Recall@k, fidelitat i rellevància. Frameworks com RAGAS automatitzen la mesura.
Costos i privacitat
Desar en memòria cau les consultes freqüents; control d'accés per metadades per a dades sensibles.
PER AIXÒ LICITADIA
La teva memòria institucional, consultable com una biblioteca.
LicitadIA aplica tot el que has vist —fragmentació recursiva, embeddings especialitzats, cerca híbrida, re-ranking i filtratge per expedient— sobre els plecs, memòries i PCAP de la teva pròpia organització. La IA deixa d'inventar i comença a citar.
0%
menys temps en redacció de plecs
0%
traçabilitat de fonts citades
0
al·lucinacions sobre dades privades