Contenido revisado:
RAG significa retrieval-augmented generation, o generación aumentada por recuperación. Es una arquitectura que busca información externa antes de pedir al modelo generativo que redacte la respuesta. De este modo, el sistema puede trabajar con documentos privados, contenido reciente o conocimiento especializado que no estaba disponible en el entrenamiento original del modelo.
¿Cómo funciona un sistema RAG?
En un flujo habitual, los documentos se dividen en fragmentos y se indexan. Cuando llega una pregunta, el sistema busca los fragmentos más relevantes y los envía al modelo junto con la instrucción. El modelo genera la respuesta usando ese contexto y puede presentar enlaces o citas. La calidad depende de toda la cadena: preparación de documentos, búsqueda, ranking, tamaño del contexto, prompt y evaluación de la respuesta.
¿RAG evita las alucinaciones?
RAG puede reducir errores factuales y facilitar la verificación, pero no garantiza exactitud. La búsqueda puede recuperar el documento equivocado, omitir una fuente esencial o entregar información desactualizada; el modelo todavía puede interpretar mal el fragmento. Por eso, una implementación seria mide por separado la precisión de la recuperación y la fidelidad de la respuesta. RAG es apropiado cuando el conocimiento cambia o debe quedar fuera de los pesos del modelo. Fine-tuning suele servir mejor para un comportamiento, formato o estilo recurrente; ambas técnicas también pueden combinarse.
Referencia primaria: Lewis et al. — artículo original sobre RAG
Ejemplo práctico
Al responder sobre beneficios internos, el sistema busca fragmentos del reglamento vigente, envía los más relevantes al modelo e incluye enlaces. Si ningún pasaje respalda la respuesta, debe indicar que no encontró evidencia. Actualizar el reglamento en el índice es más sencillo que volver a entrenar el modelo.
Cómo distinguirlo y evaluarlo
RAG es la arquitectura que recupera contexto antes de generar; la búsqueda vectorial es solo una posible técnica. Fine-tuning cambia conducta en los pesos. RAG mejora el acceso a fuentes, pero no garantiza encontrar el fragmento correcto ni interpretarlo fielmente.
Lista de comprobación
- Mida recuperación y generación como etapas separadas.
- Mantenga fuente, fecha, versión y permisos en el índice.
- Pruebe preguntas sin respuesta, conflictos y documentos obsoletos.
Conceptos relacionados: embedding · alucinación
Fuente primaria adicional: Microsoft Learn — descripción general de RAG
Noticias y análisis relacionados
Preguntas frecuentes
¿Para qué sirve RAG?
Para que la IA responda con base en documentos específicos y actualizados, reduciendo errores.
