ai-agent-book 精选快照（<2MB 代码与文档，来自 github.com/bojieli/ai-agent-book）

book-es/gen_ch3_figs.py

@@ -0,0 +1,741 @@
+"""Generate all Chapter 3 figures in Spanish (Knowledge Base & RAG)."""
+import math
+import os
+import sys
+
+sys.path.insert(0, os.path.dirname(__file__))
+from svg_lib import (
+    SVG, COLORS, FS_TITLE, FS_BODY, FS_SMALL, FS_TINY, STROKE_W,
+)
+
+OUT = os.path.join(os.path.dirname(__file__), 'images')
+
+
+def fig3_1():
+    """Knowledge map of this chapter — Figure 3-1."""
+    w, h = 860, 580
+    svg = SVG(w, h)
+
+    svg.text(w / 2, 32, "Capítulo 3: Base de Conocimiento y RAG — Mapa de Conocimiento", size=FS_TITLE, bold=True)
+
+    r1_y = 70
+    svg.rect(30, r1_y, 800, 130, fill='white', stroke='border', dash=True)
+    svg.text(80, r1_y + 20, "Fundamentos de RAG", size=FS_BODY, bold=True, anchor='start')
+
+    boxes_r1 = [
+        ("Incrustación densa", 50, "Word2Vec → BGE-M3"),
+        ("Incrustación dispersa", 230, "TF-IDF / BM25"),
+        ("Búsqueda híbrida + Reclasificación", 410, "Dos torres + Cross-Encoder"),
+        ("Inferencia multimodal", 650, "Nativo / Texto / Herramienta"),
+    ]
+    for label, bx, sub in boxes_r1:
+        svg.box(bx, r1_y + 38, 160, 50, label, fill='light', bold=True, font_size=FS_SMALL)
+        svg.text(bx + 80, r1_y + 38 + 50 + 18, sub, size=FS_TINY, fill='text_light')
+
+    svg.arrow(w / 2, r1_y + 130, w / 2, r1_y + 160)
+
+    r2_y = 230
+    svg.rect(30, r2_y, 800, 100, fill='white', stroke='border', dash=True)
+    svg.text(80, r2_y + 20, "Aprendizaje desde Conocimiento Existente", size=FS_BODY, bold=True, anchor='start')
+
+    boxes_r2 = [
+        ("RAPTOR\n Ín. Jerárquico Árbol", 50),
+        ("GraphRAG\n Grafo Entidad-Relación", 230),
+        ("RAG agéntico\n Búsqueda como Herramienta", 410),
+        ("Búsqueda Consciente de Ctx\n Enriquecimiento por Prefijo", 590),
+    ]
+    for label, bx in boxes_r2:
+        svg.box(bx, r2_y + 35, 160, 55, label, fill='medium', font_size=FS_SMALL)
+
+    svg.arrow(w / 2, r2_y + 100, w / 2, r2_y + 130)
+
+    r3_y = 360
+    svg.rect(30, r3_y, 800, 100, fill='white', stroke='border', dash=True)
+    svg.text(80, r3_y + 20, "Aprendizaje por Exploración Autónoma", size=FS_BODY, bold=True, anchor='start')
+
+    boxes_r3 = [
+        ("Posentrenamiento\n RL → Memoria Muscular", 100),
+        ("Aprendizaje en Contexto\n Inferencia Suave", 330),
+        ("Aprendizaje Externalizado\n Base Conocimiento + Herramientas", 560),
+    ]
+    for label, bx in boxes_r3:
+        svg.box(bx, r3_y + 35, 200, 55, label, fill='light', font_size=FS_SMALL)
+
+    svg.rect(180, 490, 500, 44, fill='dark')
+    svg.text(w / 2, 512, "Lección Clave: Búsqueda + Aprendizaje = Método General", size=FS_BODY, fill='white', bold=True)
+    svg.arrow(w / 2, r3_y + 100, w / 2, 488)
+
+    svg.save(os.path.join(OUT, 'fig3-1.svg'))
+
+
+def fig3_2():
+    """RAG End-to-End Pipeline — Figure 3-2."""
+    w, h = 880, 440
+    svg = SVG(w, h)
+    svg.text(w / 2, 30, "Canalización RAG de extremo a extremo", size=FS_TITLE, bold=True)
+
+    svg.box(20, 65, 180, 55, "① Consulta Usuario", fill='medium', bold=True, font_size=FS_BODY)
+    svg.text(110, 145, '"¿Pena por homicidio intencional?"', size=FS_SMALL, fill='text_light')
+
+    svg.arrow(200, 92, 238, 92)
+
+    svg.box(240, 65, 180, 55, "② Búsqueda", fill='light', bold=True, font_size=FS_BODY)
+    svg.text(330, 140, "Búsqueda densa + BM25", size=FS_SMALL, fill='text_light')
+    svg.text(330, 160, "→ Top K fragmentos", size=FS_SMALL, fill='text_light')
+
+    svg.arrow(420, 92, 458, 92)
+
+    svg.box(460, 65, 180, 55, "③ Aumentación", fill='light', bold=True, font_size=FS_BODY)
+    svg.text(550, 140, "Consulta + Resultados", size=FS_SMALL, fill='text_light')
+    svg.text(550, 160, "→ Construir prompt final", size=FS_SMALL, fill='text_light')
+
+    svg.arrow(640, 92, 678, 92)
+
+    svg.box(680, 65, 180, 55, "④ Generación", fill='medium', bold=True, font_size=FS_BODY)
+    svg.text(770, 140, "LLM sintetiza contexto", size=FS_SMALL, fill='text_light')
+    svg.text(770, 160, "→ Generar respuesta", size=FS_SMALL, fill='text_light')
+
+    svg.line(20, 195, 860, 195, color='dark', dash=True)
+    svg.text(w / 2, 215, "Ejemplo de flujo de datos", size=FS_BODY, bold=True)
+
+    svg.rect(20, 235, 400, 90, fill='code_bg', stroke='dark', rx=4)
+    svg.text(220, 253, "Fragmentos recuperados", size=FS_SMALL, bold=True)
+    svg.mono(30, 278, "Código Penal Art 232: El que intencionalmente matare a otro,", size=FS_TINY)
+    svg.mono(30, 298, "será castigado con pena de prisión de 10 a 25 años...", size=FS_TINY)
+
+    svg.rect(440, 235, 420, 90, fill='code_bg', stroke='dark', rx=4)
+    svg.text(650, 253, "Prompt aumentante", size=FS_SMALL, bold=True)
+    svg.mono(450, 278, "Responde la pregunta basándote en el código penal:", size=FS_TINY)
+    svg.mono(450, 298, "[Código Penal Art 232...] P: ¿Pena por homicidio intencional?", size=FS_TINY)
+
+    svg.rect(20, 345, 840, 80, fill='light', stroke='border')
+    svg.text(w / 2, 363, "Respuesta generada", size=FS_SMALL, bold=True)
+    svg.mono(30, 390, "Según el Código Penal Art 232, el homicidio intencional se castiga con prisión de 10 a 25 años;", size=FS_TINY)
+    svg.mono(30, 412, "en circunstancias atenuantes, la pena puede reducirse de 3 a 10 años.", size=FS_TINY)
+
+    svg.save(os.path.join(OUT, 'fig3-2.svg'))
+
+
+def fig3_3():
+    """Evolution of dense embedding techniques — Figure 3-3."""
+    w, h = 860, 340
+    svg = SVG(w, h)
+    svg.text(w / 2, 30, "Evolución de las técnicas de incrustación densa", size=FS_TITLE, bold=True)
+
+    items = [
+        ("Word2Vec", "2013", "300D\nVectores de palabra estáticos", "Coocurrencia\nEntrenamiento predictivo"),
+        ("GloVe", "2014", "300D\nEstadísticas globales", "Factorización matriz\n+ Coocurrencia"),
+        ("BERT", "2018", "768D\nConsciente del contexto", "Transformer\nPreentrenamiento MLM"),
+        ("Sentence-BERT", "2019", "768D\nIncrustación de oraciones", "Red siamesa\nAprendizaje contrastivo"),
+        ("BGE-M3", "2024", "1024D\nTextos largos multilingües", "Multietapa\nEntrenamiento híbrido"),
+    ]
+    n = len(items)
+    pad_l, pad_r = 80, 80
+    usable = w - pad_l - pad_r
+    gap = usable / (n - 1)
+    line_y = 90
+
+    svg.line(pad_l - 30, line_y, w - pad_r + 30, line_y, color='dark')
+    svg.elems.append(
+        f'<polygon points="{w - pad_r + 30},{line_y - 6} {w - pad_r + 42},{line_y} '
+        f'{w - pad_r + 30},{line_y + 6}" fill="{COLORS["dark"]}"/>'
+    )
+
+    for i, (name, year, dims, training) in enumerate(items):
+        x = pad_l + i * gap
+        svg.circle(x, line_y, 8, fill='dark')
+        svg.text(x, line_y - 30, name, size=FS_BODY, bold=True)
+        svg.text(x, line_y + 28, year, size=FS_SMALL, fill='text_light')
+
+        svg.rect(x - 65, line_y + 50, 130, 55, fill='light')
+        for j, dl in enumerate(dims.split('\n')):
+            svg.text(x, line_y + 68 + j * 22, dl, size=FS_SMALL)
+
+        svg.rect(x - 65, line_y + 115, 130, 55, fill='code_bg', stroke='dark', rx=4)
+        for j, tl in enumerate(training.split('\n')):
+            svg.text(x, line_y + 133 + j * 22, tl, size=FS_SMALL, fill='text_light')
+
+    svg.text(pad_l + gap * 0.5, h - 18,
+             "Vectores de palabra estáticos (un vector por palabra)", size=FS_SMALL, fill='text_light')
+    svg.text(pad_l + gap * 3.5, h - 18,
+             "Incrustaciones conscientes del contexto (múltiples vectores por palabra)", size=FS_SMALL, fill='text_light')
+
+    svg.line(pad_l + gap * 1.5, 75, pad_l + gap * 1.5, h - 35, color='dark', dash=True)
+
+    svg.save(os.path.join(OUT, 'fig3-3.svg'))
+
+
+def fig3_4():
+    """HNSW index structure — Figure 3-4."""
+    w, h = 750, 440
+    svg = SVG(w, h)
+    svg.text(w / 2, 30, "Estructura del índice HNSW", size=FS_TITLE, bold=True)
+
+    layers = [
+        ("Capa 2 (dispersa · conexiones de larga distancia)", 70, 3),
+        ("Capa 1 (densidad media)", 185, 6),
+        ("Capa 0 (densa · todos los nodos)", 300, 10),
+    ]
+    for label, base_y, count in layers:
+        svg.rect(30, base_y - 30, w - 60, 90, fill='white', stroke='dark', dash=True)
+        svg.text(100, base_y - 14, label, size=FS_SMALL, fill='text_light', anchor='start')
+        spacing = (w - 140) / (count + 1)
+        positions = []
+        for j in range(count):
+            cx = 70 + spacing * (j + 1)
+            cy = base_y + 25
+            svg.circle(cx, cy, 14, fill='light')
+            positions.append((cx, cy))
+        for j in range(count - 1):
+            skip = 1 if count <= 6 else (2 if j % 2 == 0 else 1)
+            if j + skip < count:
+                x1, y1 = positions[j]
+                x2, y2 = positions[j + skip]
+                svg.line(x1 + 14, y1, x2 - 14, y2, color='dark')
+
+    svg.arrow(w / 2, 130, w / 2 - 50, 165, color='border')
+    svg.text(w / 2 + 80, 148, "La búsqueda comienza en capa superior", size=FS_SMALL, fill='text_light')
+    svg.arrow(w / 2 - 50, 245, w / 2 - 80, 280, color='border')
+    svg.text(w / 2 + 60, 263, "Se refina capa por capa hacia abajo", size=FS_SMALL, fill='text_light')
+
+    svg.rect(50, h - 45, 300, 32, fill='light')
+    svg.text(200, h - 29, "Admite actualizaciones incrementales · Alto recall", size=FS_SMALL, bold=True)
+    svg.rect(400, h - 45, 300, 32, fill='code_bg', stroke='dark', rx=4)
+    svg.text(550, h - 29, "Complejidad de consulta O(log N)", size=FS_SMALL)
+
+    svg.save(os.path.join(OUT, 'fig3-4.svg'))
+
+
+def fig3_5():
+    """BM25 scoring mechanism — Figure 3-5."""
+    w, h = 800, 380
+    svg = SVG(w, h)
+    svg.text(w / 2, 30, "Mecanismo de puntuación BM25", size=FS_TITLE, bold=True)
+
+    svg.rect(40, 50, w - 80, 50, fill='code_bg', stroke='dark', rx=4)
+    svg.mono(60, 75,
+             "Score(Q,D) = Σ IDF(qi) × TF(qi,D)×(k1+1) / (TF + k1×(1-b+b×|D|/avgdl))",
+             size=FS_SMALL)
+
+    boxes = [
+        ("Saturación frec. término (TF)", 40, 'light', [
+            "k₁ controla velocidad saturación",
+            "TF ↑ pero contribución decae",
+            "Ejemplo: 5→10 repeticiones",
+            "Puntaje solo sube ~20%",
+        ]),
+        ("Frec. inversa doc. (IDF)", 290, 'light', [
+            "Mide rareza de palabra",
+            "\"el\" → IDF ≈ 0",
+            "\"sanción\" → IDF ≈ 5.2",
+            "Palabra rara peso >> común",
+        ]),
+        ("Normalización longitud (b)", 540, 'light', [
+            "b ∈ [0,1] fuerza normalización",
+            "b=0: ignorar longitud",
+            "b=1: normalización total",
+            "Evita sesgo a docs largos",
+        ]),
+    ]
+    for title, bx, fill, details in boxes:
+        svg.rect(bx, 120, 220, 170, fill=fill)
+        svg.text(bx + 110, 148, title, size=FS_BODY, bold=True)
+        svg.line(bx + 20, 163, bx + 200, 163, color='dark')
+        for k, line in enumerate(details):
+            svg.text(bx + 110, 190 + k * 28, line, size=FS_SMALL, fill='text_light')
+
+    for bx in [150, 400, 650]:
+        svg.line(bx, 290, bx, 315, color='dark')
+    svg.rect(40, 315, w - 80, 48, fill='medium')
+    svg.text(w / 2, 339, "Puntaje final = Σ (Saturación TF × Peso IDF × Normalización longitud)", size=FS_BODY, bold=True)
+
+    svg.save(os.path.join(OUT, 'fig3-5.svg'))
+
+
+def fig3_6():
+    """Hybrid retrieval and re-ranking pipeline — Figure 3-6."""
+    w, h = 880, 480
+    svg = SVG(w, h)
+    svg.text(w / 2, 30, "Canalización de búsqueda híbrida y reclasificación", size=FS_TITLE, bold=True)
+
+    svg.rect(30, 55, 160, 50, fill='medium')
+    svg.text(110, 73, "Consulta del usuario", size=FS_BODY, bold=True)
+    svg.mono(110, 93, '"conducta de gatitos"', size=FS_TINY, anchor='middle')
+
+    svg.arrow(190, 68, 238, 68)
+    svg.box(240, 50, 180, 50, "Búsqueda densa", fill='light', bold=True, font_size=FS_BODY)
+    svg.text(330, 118, "Coincidencia semántica: gatito ≈ gato", size=FS_SMALL, fill='text_light')
+
+    dense_results = [
+        ("doc3: \"hábitos felinos y juego de gatos...\"", "cos=0.87"),
+        ("doc7: \"patrones de aseo en gatos...\"", "cos=0.82"),
+        ("doc1: \"conceptos básicos de mascotas...\"", "cos=0.71"),
+    ]
+    for i, (doc, score) in enumerate(dense_results):
+        y = 140 + i * 32
+        svg.mono(250, y, doc, size=FS_TINY)
+        svg.text(700, y, score, size=FS_TINY, fill='text_light', anchor='start')
+
+    svg.arrow(190, 90, 238, 270)
+    svg.box(240, 250, 180, 50, "Búsqueda dispersa (BM25)", fill='light', bold=True, font_size=FS_BODY)
+    svg.text(330, 318, "Coincidencia exacta: clave \"gatitos\"", size=FS_SMALL, fill='text_light')
+
+    sparse_results = [
+        ("doc5: \"entrenamiento de gatitos...\"", "BM25=8.4"),
+        ("doc9: \"guía de adopción de gatitos...\"", "BM25=6.1"),
+        ("doc2: \"consejos de salud gatitos...\"", "BM25=3.2"),
+    ]
+    for i, (doc, score) in enumerate(sparse_results):
+        y = 340 + i * 32
+        svg.mono(250, y, doc, size=FS_TINY)
+        svg.text(700, y, score, size=FS_TINY, fill='text_light', anchor='start')
+
+    svg.arrow(770, 180, 808, 220)
+    svg.arrow(770, 370, 808, 330)
+
+    svg.rect(790, 215, 70, 120, fill='medium')
+    svg.text(825, 250, "Fusionar", size=FS_BODY, bold=True)
+    svg.text(825, 275, "Deduplicar", size=FS_BODY, bold=True)
+    svg.text(825, 300, "6→5", size=FS_SMALL, fill='text_light')
+
+    svg.save(os.path.join(OUT, 'fig3-6.svg'))
+
+
+def fig3_7():
+    """RAPTOR tree structure — Figure 3-7."""
+    w, h = 800, 440
+    svg = SVG(w, h)
+    svg.text(w / 2, 30, "Índice jerárquico de árbol RAPTOR", size=FS_TITLE, bold=True)
+
+    svg.box(300, 55, 200, 50, "Resumen general", fill='dark', bold=True, font_size=FS_BODY)
+    svg.text(300 + 200 + 15, 80, "← Nodo raíz", size=FS_SMALL, fill='text_light', anchor='start')
+
+    mid_nodes = [("Resumen clúster A", 80), ("Resumen clúster B", 320), ("Resumen clúster C", 560)]
+    for label, x in mid_nodes:
+        svg.box(x, 150, 160, 48, label, fill='medium', font_size=FS_BODY)
+    svg.line(400, 105, 160, 150, color='border')
+    svg.line(400, 105, 400, 150, color='border')
+    svg.line(400, 105, 640, 150, color='border')
+    svg.text(35, 230, "Capa media ↑", size=FS_SMALL, fill='text_light', anchor='start')
+
+    chunks = [
+        [(40, "Fragmento 1"), (140, "Fragmento 2"), (240, "Fragmento 3")],
+        [(360, "Fragmento 4"), (460, "Fragmento 5")],
+        [(560, "Fragmento 6"), (660, "Fragmento 7")],
+    ]
+    leaf_w = 88
+    mid_cxs = [160, 400, 640]
+    for gi, group in enumerate(chunks):
+        for cx, label in group:
+            svg.box(cx, 250, leaf_w, 40, label, fill='light', font_size=FS_SMALL)
+            svg.line(cx + leaf_w / 2, 250, mid_cxs[gi], 198, color='dark')
+    svg.text(35, 295, "Capa hoja ↑", size=FS_SMALL, fill='text_light', anchor='start')
+
+    svg.rect(40, 320, 720, 55, fill='white', stroke='dark', dash=True)
+    svg.text(400, 340, "Documento original", size=FS_BODY, fill='text_light')
+    for bx in range(60, 720, 110):
+        svg.rect(bx, 350, 90, 16, fill='light')
+
+    svg.text(w / 2, h - 20, "Abstracción recursiva de abajo a arriba: detalles → temas → vista general", size=FS_BODY, fill='text_light')
+
+    svg.save(os.path.join(OUT, 'fig3-7.svg'))
+
+
+def fig3_8():
+    """GraphRAG relational network — Figure 3-8."""
+    w, h = 750, 430
+    svg = SVG(w, h)
+    svg.text(w / 2, 28, "Grafo de conocimiento entidad-relación GraphRAG", size=FS_TITLE, bold=True)
+
+    nodes = [
+        ("Intel", 375, 100, 'medium'),
+        ("SSE", 150, 190, 'light'),
+        ("AVX", 550, 190, 'light'),
+        ("Reg. XMM", 100, 320, 'light'),
+        ("ADDPS", 280, 340, 'light'),
+        ("Reg. YMM", 520, 320, 'light'),
+        ("Ops FP", 375, 250, 'light'),
+    ]
+    node_r = 42
+
+    svg.rect(50, 275, 300, 110, fill='none', stroke='border', dash=True)
+    svg.text(200, 395, "Comunidad: Conjunto instrucciones SSE", size=FS_SMALL, fill='text_light')
+
+    for label, x, y, fill in nodes:
+        svg.circle(x, y, node_r, fill=fill, label=label, font_size=FS_SMALL)
+
+    edges = [
+        (0, 1, "Desarrollo"), (0, 2, "Desarrollo"),
+        (1, 3, "Uso"), (1, 6, ""), (1, 4, "Incluye"),
+        (2, 5, "Uso"), (2, 6, "Ejecución"),
+        (6, 3, ""), (6, 5, "Operación"),
+    ]
+    for i, j, elabel in edges:
+        x1, y1 = nodes[i][1], nodes[i][2]
+        x2, y2 = nodes[j][1], nodes[j][2]
+        dx, dy = x2 - x1, y2 - y1
+        dist = math.sqrt(dx * dx + dy * dy)
+        ux, uy = dx / dist, dy / dist
+        ax1 = x1 + ux * (node_r + 3)
+        ay1 = y1 + uy * (node_r + 3)
+        ax2 = x2 - ux * (node_r + 14)
+        ay2 = y2 - uy * (node_r + 14)
+        svg.arrow(ax1, ay1, ax2, ay2, label=elabel, color='dark')
+
+    svg.save(os.path.join(OUT, 'fig3-8.svg'))
+
+
+def fig3_9():
+    """Agentic RAG vs Non-Agentic RAG — Figure 3-9."""
+    w, h = 880, 560
+    svg = SVG(w, h)
+    col_w = 400
+    lx, rx = 20, 460
+
+    svg.rect(lx, 50, col_w, 45, fill='medium')
+    svg.text(lx + col_w / 2, 73, "RAG No Agéntico", size=FS_BODY, bold=True)
+
+    steps_l = [
+        ("Consulta: \"¿Pena por lesiones graves negligentes \nsi el acusado tiene antecedentes de robo?\"", 'light'),
+        ("Búsqueda única:\n\"Sanción por lesiones graves negligentes\"", 'light'),
+        ("Resultado: Solo artículos básicos hallados\n(falta contexto relevante)", 'code_bg'),
+        ("Generación directa: Faltan factores de\n\"alcohol\" y \"antecedentes\"", 'light'),
+    ]
+    prev_y = 95
+    for i, (s, fill) in enumerate(steps_l):
+        y = 110 + i * 108
+        svg.box(lx + 30, y, 340, 80, s, fill=fill, font_size=FS_SMALL)
+        if i > 0:
+            svg.arrow(lx + 200, prev_y + 80 + 2, lx + 200, y - 2)
+        prev_y = y
+
+    svg.text(lx + col_w / 2, h - 15, "Paso único · Información incompleta", size=FS_BODY, fill='text_light')
+
+    svg.line(440, 50, 440, h - 5, color='dark', dash=True)
+
+    svg.rect(rx, 50, col_w, 45, fill='medium')
+    svg.text(rx + col_w / 2, 73, "RAG Agéntico (ReAct)", size=FS_BODY, bold=True)
+
+    steps_r = [
+        ("Pensamiento: Descomponer en 3 subpreguntas", 'light'),
+        ("Búsqueda ①: \"Sanción lesiones graves negligentes\"\nBúsqueda ②: \"Responsabilidad penal por embriaguez\"\nBúsqueda ③: \"Efecto de antecedentes por robo\"", 'code_bg'),
+        ("Observación: Normas básicas halladas pero falta\nconexión entre \"antecedentes\" y \"lesiones\"", 'light'),
+        ("Búsqueda ④: \"Interpretación judicial de\nreincidencia en distintos delitos\"", 'code_bg'),
+        ("Síntesis: Respuesta completa con todas las\nnormas aplicables y análisis penal", 'medium'),
+    ]
+    ys = []
+    for i, (s, fill) in enumerate(steps_r):
+        y = 105 + i * 86
+        hh = 68
+        svg.box(rx + 30, y, 340, hh, s, fill=fill, font_size=FS_SMALL)
+        ys.append(y)
+        if i > 0:
+            svg.arrow(rx + 200, ys[i - 1] + hh + 2, rx + 200, y - 2)
+
+    loop_x = rx + 370 + 10
+    svg.elems.append(
+        f'<path d="M {loop_x},{ys[2] + 34} C {loop_x + 28},{ys[2] + 34} '
+        f'{loop_x + 28},{ys[1] + 34} {loop_x},{ys[1] + 34}" '
+        f'fill="none" stroke="{COLORS["border"]}" stroke-width="{STROKE_W}" '
+        f'stroke-dasharray="6,3" marker-end="url(#ah)"/>'
+    )
+    svg.text(loop_x + 4, (ys[1] + ys[2]) / 2 + 34, "Iteración", size=FS_SMALL, fill='text_light',
+             anchor='start')
+
+    svg.text(rx + col_w / 2, h - 15, "Iteración multirronda · Información completa", size=FS_BODY, fill='text_light')
+
+    svg.save(os.path.join(OUT, 'fig3-9.svg'))
+
+
+def fig3_10():
+    """Agentic RAG System Architecture — Figure 3-10."""
+    w, h = 880, 500
+    svg = SVG(w, h)
+    svg.text(w / 2, 30, "Experimento 3.6: Arquitectura del sistema RAG agéntico", size=FS_TITLE, bold=True)
+
+    svg.rect(220, 55, 440, 200, fill='white', stroke='border')
+    svg.text(440, 78, "Agente (Bucle ReAct)", size=FS_BODY, bold=True)
+
+    react_items = [
+        ("① Pensamiento", 240, 100, 180, 45, 'light'),
+        ("② Acción", 460, 100, 180, 45, 'medium'),
+        ("③ Observación", 350, 180, 180, 45, 'light'),
+    ]
+    for label, bx, by, bw, bh, fill in react_items:
+        svg.box(bx, by, bw, bh, label, fill=fill, font_size=FS_SMALL, bold=True)
+
+    svg.arrow(420, 122, 458, 122)
+    svg.arrow(640, 130, 530, 178, color='border')
+    svg.arrow(350, 202, 280, 145, color='border')
+
+    svg.text(360, 165, "Bucle hasta que la información sea suficiente", size=FS_TINY, fill='text_light')
+
+    svg.box(20, 95, 160, 55, "Consulta usuario", fill='medium', bold=True, font_size=FS_BODY)
+    svg.arrow(180, 122, 218, 122)
+
+    svg.box(700, 95, 160, 55, "Respuesta final", fill='medium', bold=True, font_size=FS_BODY)
+    svg.arrow(660, 122, 698, 122)
+
+    svg.rect(100, 290, 680, 85, fill='white', stroke='border', dash=True)
+    svg.text(440, 312, "Capa de herramientas", size=FS_BODY, bold=True)
+    tools = [
+        ("knowledge_base_search", 120, 330, 220),
+        ("web_search", 370, 330, 140),
+        ("code_interpreter", 540, 330, 160),
+    ]
+    for label, tx, ty, tw in tools:
+        svg.rect(tx, ty, tw, 35, fill='light')
+        svg.mono(tx + tw / 2, ty + 17, label, size=FS_TINY, anchor='middle')
+
+    svg.arrow(440, 255, 440, 288)
+    svg.arrow(440, 288, 440, 255)
+
+    svg.rect(100, 400, 680, 85, fill='white', stroke='dark', dash=True)
+    svg.text(440, 420, "Backend de base de conocimiento (intercambiable)", size=FS_BODY, bold=True)
+    backends = [
+        ("retrieval-pipeline\nBúsqueda híbrida", 120),
+        ("structured-index\nRAPTOR/GraphRAG", 340),
+        ("contextual-retrieval\nConsciente del contexto", 560),
+    ]
+    for label, bx in backends:
+        svg.box(bx, 435, 180, 45, label, fill='light', font_size=FS_SMALL)
+
+    svg.arrow(230, 365, 230, 398)
+    svg.arrow(440, 375, 440, 398)
+
+    svg.save(os.path.join(OUT, 'fig3-10.svg'))
+
+
+def fig3_11():
+    """Context-aware retrieval — Figure 3-11."""
+    w, h = 880, 430
+    svg = SVG(w, h)
+    svg.text(w / 2, 30, "Búsqueda consciente del contexto", size=FS_TITLE, bold=True)
+
+    svg.rect(20, 55, 400, 170, fill='white', stroke='border')
+    svg.text(220, 78, "Fragmentado tradicional (sin contexto)", size=FS_BODY, bold=True)
+
+    svg.rect(40, 95, 360, 50, fill='code_bg', stroke='dark', rx=4)
+    svg.mono(50, 112, "Los ingresos del segundo trimestre subieron 3%,", size=FS_TINY)
+    svg.mono(50, 132, "debido principalmente a nuevas líneas de productos.", size=FS_TINY)
+
+    svg.text(220, 170, "Pregunta: ¿Qué \"empresa\"? ¿Qué año?", size=FS_SMALL, fill='text_light')
+    svg.text(220, 195, "→ Búsqueda coincide con datos de ingresos de empresas no relacionadas", size=FS_SMALL, fill='text_light')
+
+    svg.rect(460, 55, 400, 170, fill='white', stroke='border')
+    svg.text(660, 78, "Fragmentado consciente del contexto", size=FS_BODY, bold=True)
+
+    svg.rect(480, 95, 360, 35, fill='medium')
+    svg.mono(490, 113, "[Informe Financiero ACME Q2 2025 · Indicadores Clave]", size=FS_TINY)
+
+    svg.rect(480, 130, 360, 50, fill='code_bg', stroke='dark', rx=4)
+    svg.mono(490, 148, "Los ingresos del segundo trimestre subieron 3%,", size=FS_TINY)
+    svg.mono(490, 168, "debido principalmente a nuevas líneas de productos.", size=FS_TINY)
+
+    svg.text(660, 200, "→ Coincidencia exacta ACME + Q2 + aumento ingresos", size=FS_SMALL, fill='text_light')
+
+    svg.text(440, 140, "→", size=FS_TITLE, bold=True)
+
+    svg.line(20, 250, 860, 250, color='dark', dash=True)
+    svg.text(w / 2, 275, "Fase de indexación: el LLM genera el prefijo de contexto", size=FS_BODY, bold=True)
+
+    flow_y = 300
+    svg.box(30, flow_y, 180, 55, "Documento original", fill='light', bold=True, font_size=FS_BODY)
+    svg.arrow(210, flow_y + 27, 248, flow_y + 27)
+
+    svg.box(250, flow_y, 180, 55, "Fragmentación", fill='light', bold=True, font_size=FS_BODY)
+    svg.arrow(430, flow_y + 27, 468, flow_y + 27)
+
+    svg.box(470, flow_y, 180, 55, "LLM genera prefijo\n(caché de prompt)", fill='medium',
+            font_size=FS_SMALL, bold=True)
+    svg.arrow(650, flow_y + 27, 688, flow_y + 27)
+
+    svg.box(690, flow_y, 170, 55, "Prefijo + texto orig.\n→ Índice", fill='light', font_size=FS_SMALL, bold=True)
+
+    svg.text(w / 2, h - 20,
+             "Impacto: Tasa de fallos ↓49% (+BM25), ↓67% (+reclasificación) — datos de Anthropic",
+             size=FS_SMALL, fill='text_light')
+
+    svg.save(os.path.join(OUT, 'fig3-11.svg'))
+
+
+def fig3_12():
+    """Structured knowledge extraction pipeline — Figure 3-12."""
+    w, h = 880, 510
+    svg = SVG(w, h)
+    svg.text(w / 2, 30, "Experimento 3.10: Extracción de conocimiento estructurado (precedentes)", size=FS_TITLE, bold=True)
+
+    svg.rect(20, 55, 840, 200, fill='white', stroke='border')
+    svg.text(440, 78, "Fase 1: Extracción y estructuración de conocimiento", size=FS_BODY, bold=True)
+
+    svg.rect(40, 95, 180, 65, fill='code_bg', stroke='dark', rx=4)
+    svg.text(130, 113, "Sentencias originales", size=FS_SMALL, bold=True)
+    svg.mono(50, 138, "Conjunto datos CAIL2018", size=FS_TINY)
+
+    svg.arrow(220, 127, 258, 127)
+
+    svg.rect(260, 95, 180, 65, fill='medium')
+    svg.text(350, 113, "Descubrimiento factores LLM", size=FS_SMALL, bold=True)
+    svg.text(350, 138, "Esquema de abajo a arriba", size=FS_SMALL, fill='text_light')
+
+    svg.arrow(440, 127, 478, 127)
+
+    svg.rect(480, 95, 200, 65, fill='code_bg', stroke='dark', rx=4)
+    svg.text(580, 113, "JSON estructurado", size=FS_SMALL, bold=True)
+    svg.mono(490, 138, "{voluntary_surrender:true, compensation:500000,", size=FS_TINY)
+    svg.mono(490, 155, " injury_level:severe_second_degree}", size=FS_TINY)
+
+    svg.rect(40, 170, 400, 70, fill='light')
+    svg.text(240, 188, "Esquema de datos modular", size=FS_SMALL, bold=True)
+    svg.text(240, 212, "Esquema básico (entrega voluntaria/indemnización/antecedentes) + esquema por delito", size=FS_SMALL, fill='text_light')
+    svg.text(240, 232, "(robo→monto involucrado, lesiones→nivel de lesión)", size=FS_SMALL, fill='text_light')
+
+    svg.rect(20, 270, 840, 200, fill='white', stroke='border')
+    svg.text(440, 293, "Fase 2: Análisis de factores y modelado de conocimiento", size=FS_BODY, bold=True)
+
+    svg.rect(40, 310, 200, 65, fill='light')
+    svg.text(140, 328, "Vectorización de características", size=FS_SMALL, bold=True)
+    svg.text(140, 350, "Codificación one-hot + multi-hot", size=FS_SMALL, fill='text_light')
+    svg.text(140, 370, "+ transf. logarítmica + estandariz.", size=FS_SMALL, fill='text_light')
+
+    svg.arrow(240, 342, 278, 342)
+
+    svg.rect(280, 310, 200, 65, fill='medium')
+    svg.text(380, 328, "Agrupamiento KMeans", size=FS_SMALL, bold=True)
+    svg.text(380, 350, "Descubrimiento \"prototipos de caso\"", size=FS_SMALL, fill='text_light')
+    svg.text(380, 370, "p. ej., \"riña sin armas, lesión leve\"", size=FS_SMALL, fill='text_light')
+
+    svg.arrow(480, 342, 518, 342)
+
+    svg.rect(520, 310, 200, 65, fill='light')
+    svg.text(620, 328, "Modelo importancia factores", size=FS_SMALL, bold=True)
+    svg.text(620, 350, "Cuantificar peso de cada factor", size=FS_SMALL, fill='text_light')
+    svg.text(620, 370, "Construir lógica de sentencia", size=FS_SMALL, fill='text_light')
+
+    svg.arrow(620, 375, 620, 400)
+    svg.rect(40, 400, 720, 60, fill='light')
+    svg.text(400, 420, "Aplicación: Agente de consulta legal conversacional", size=FS_BODY, bold=True)
+    svg.text(400, 445, "Preguntar según importancia → recuperar prototipos similares → análisis penal basado en datos",
+             size=FS_SMALL, fill='text_light')
+
+    svg.save(os.path.join(OUT, 'fig3-12.svg'))
+
+
+def fig3_13():
+    """Externalized learning loop — Figure 3-13."""
+    w, h = 880, 490
+    svg = SVG(w, h)
+    svg.text(w / 2, 30, "Aprendizaje externalizado: bucle cerrado de experiencia a capacidad", size=FS_TITLE, bold=True)
+
+    cx, cy = 440, 210
+    svg.circle(cx, cy, 55, fill='medium', label="Agente", font_size=FS_BODY)
+
+    steps = [
+        ("① Ejecutar tarea", 120, 100, "Procesar reembolso\nLlamar a API de servicio"),
+        ("② Recibir retroalim.", 680, 100, "$45 reembolsados con éxito\nSe requiere verificar últimos 4 dígitos"),
+        ("③ Reflexionar y resumir", 680, 310, "El LLM resume la experiencia:\n\"Reembolso Comp. A requiere verificación\""),
+        ("④ Guardar en base conoc.", 340, 380, "Experiencia → índice vectorizado\nProceso → código de herramienta"),
+        ("⑤ Recuperar y reutilizar", 120, 310, "Tarea similar → recuperar experiencia\nUsar estrategia exitosa directamente"),
+    ]
+
+    positions = []
+    for label, x, y, detail in steps:
+        svg.box(x, y, 200, 80, label + "\n" + detail,
+                fill='light', font_size=FS_SMALL)
+        positions.append((x + 100, y + 40))
+
+    arrow_pairs = [
+        (0, 1), (1, 2), (2, 3), (3, 4), (4, 0),
+    ]
+    for si, ei in arrow_pairs:
+        sx, sy = positions[si]
+        ex, ey = positions[ei]
+        dx, dy = ex - sx, ey - sy
+        dist = math.sqrt(dx * dx + dy * dy)
+        ux, uy = dx / dist, dy / dist
+        svg.arrow(sx + ux * 105, sy + uy * 45,
+                  ex - ux * 105, ey - uy * 45, color='dark')
+
+    svg.rect(30, 395, 180, 28, fill='dark')
+    svg.text(120, 409, "Conocimiento: resumen", size=FS_SMALL, fill='white')
+    svg.rect(670, 395, 180, 28, fill='dark')
+    svg.text(760, 409, "Herramienta: proceso→código", size=FS_SMALL, fill='white')
+
+    svg.save(os.path.join(OUT, 'fig3-13.svg'))
+
+
+def fig3_14():
+    """GAIA experience learning system — Figure 3-14."""
+    w, h = 880, 510
+    svg = SVG(w, h)
+    svg.text(w / 2, 30, "Experimento 3.11: Sistema de aprendizaje de experiencia GAIA", size=FS_TITLE, bold=True)
+
+    box_h = 60
+    step_gap = 75
+    base_y = 100
+
+    lx = 20
+    svg.rect(lx, 55, 400, 420, fill='white', stroke='border')
+    svg.text(lx + 200, 80, "Modo de aprendizaje", size=FS_BODY, bold=True)
+
+    learn_steps = [
+        ("Tarea GAIA", 'medium', "Problema complejo multipaso"),
+        ("Ejecución del Agente", 'light', "Navegador + archivo + intérprete código"),
+        ("¿Éxito en tarea?", 'light', "Evaluación automática (AWorld)"),
+        ("Reflexión y resumen LLM", 'medium', "Extraer resumen de estrategia"),
+        ("Experiencia → Vectorización", 'light', "Guardar en base de experiencia"),
+    ]
+    for i, (label, fill, sub) in enumerate(learn_steps):
+        y = base_y + i * step_gap
+        svg.box(lx + 50, y, 300, box_h, label, sublabel=sub, fill=fill, bold=True, font_size=FS_BODY)
+        if i > 0:
+            svg.arrow(lx + 200, base_y + (i - 1) * step_gap + box_h + 2, lx + 200, y - 2)
+
+    rx = 460
+    svg.rect(rx, 55, 400, 420, fill='white', stroke='border')
+    svg.text(rx + 200, 80, "Modo de aplicación", size=FS_BODY, bold=True)
+
+    apply_steps = [
+        ("Nueva Tarea GAIA", 'medium', "Recibir nueva pregunta"),
+        ("Búsqueda semántica de exp.", 'light', "Buscar tarea similar en base de exp."),
+        ("Inyectar en prompt del sist.", 'medium', "Estrategias pasadas como ejemplos"),
+        ("Ejecución del Agente", 'light', "Resolución más eficiente basada en exp."),
+        ("Éxito ↑ Eficiencia ↑", 'dark', "Autoevolución: fortalece con el tiempo"),
+    ]
+    for i, (label, fill, sub) in enumerate(apply_steps):
+        y = base_y + i * step_gap
+        svg.box(rx + 50, y, 300, box_h, label, sublabel=sub, fill=fill, bold=True, font_size=FS_BODY)
+        if i > 0:
+            svg.arrow(rx + 200, base_y + (i - 1) * step_gap + box_h + 2, rx + 200, y - 2)
+
+    kb_cy = base_y + 2 * step_gap + box_h / 2
+    kb_x1, kb_x2 = 375, 505
+    svg.rect(kb_x1, kb_cy - 25, kb_x2 - kb_x1, 50, fill='dark')
+    svg.text((kb_x1 + kb_x2) / 2, kb_cy - 8, "Base de Experiencia", size=FS_SMALL, fill='white', bold=True)
+    svg.text((kb_x1 + kb_x2) / 2, kb_cy + 12, "(Índice Vectorial)", size=FS_TINY, fill='white')
+
+    last_y = base_y + 4 * step_gap + box_h / 2
+    svg.arrow(lx + 350, last_y, kb_x1 - 2, kb_cy + 10)
+    apply2_y = base_y + 1 * step_gap + box_h / 2
+    svg.arrow(kb_x2 + 2, kb_cy - 10, rx + 50, apply2_y)
+
+    svg.save(os.path.join(OUT, 'fig3-14.svg'))
+
+
+if __name__ == '__main__':
+    os.makedirs(OUT, exist_ok=True)
+    fig3_1()
+    fig3_2()
+    fig3_3()
+    fig3_4()
+    fig3_5()
+    fig3_6()
+    fig3_7()
+    fig3_8()
+    fig3_9()
+    fig3_10()
+    fig3_11()
+    fig3_12()
+    fig3_13()
+    fig3_14()
+    print("Chapter 3 figures generated.")