RAG en un minuto
Piensa en consultar la ficha correcta de un catálogo antes de responder a un cliente. RAG organiza en software esa combinación de búsqueda y redacción. Elegir la página equivocada sigue siendo un problema, aunque la respuesta esté muy bien escrita. Es necesario comprobar tanto la consulta como el resultado.
RAG con un ejemplo sencillo
Un cliente pregunta si una lámpara concreta está disponible hoy y cuánto cuesta. Un LLM sin acceso a datos actuales de la empresa no puede establecer las existencias reales a partir de patrones generales. Una aplicación con RAG recupera primero la información pertinente: identifica referencia y variante, consulta la fuente prevista y entrega el resultado al modelo para que lo explique.
Los Connectors pueden proporcionar acceso al catálogo o a los documentos. Determinan qué fuente está disponible con la cuenta conectada. RAG añade selección y uso de información pertinente. Una conexión que funciona no garantiza por sí sola una fuente actual ni una respuesta fiel.
- 1 · Recuperar
Localizar variante, precio y disponibilidad en una fuente autorizada.
- 2 · Aportar contexto
Facilitar la información encontrada junto con su origen y fecha relevante.
- 3 · Generar
Explicar los datos y señalar qué información sigue faltando.
Supón que la fuente recoge el modelo L24 negro, tres unidades disponibles y un precio con IVA. La respuesta debe conservar esa variante y esa base de precio. No puede utilizar las existencias de la versión blanca ni inventar una fecha de entrega. Para datos muy cambiantes, una consulta directa a una base de datos o API puede ser mejor que un índice actualizado periódicamente. No todas las implementaciones llaman RAG a esa consulta mediante herramienta, aunque comparten el principio de recuperar antes de responder.
Otro ejemplo es una pregunta sobre devoluciones. El sistema busca la política vigente y utiliza el pasaje correspondiente para explicar el procedimiento. Si el documento no contempla una excepción para clientes profesionales, el modelo no debería añadirla por analogía con otras empresas. Identificar documento y versión permite que una persona compruebe la explicación.
La parte técnica, sin complicarla
Un proceso habitual empieza antes de la pregunta: se incorporan documentos, se limpian y se dividen en fragmentos útiles. Los metadatos pueden indicar referencia, fecha, idioma o permisos. El tamaño de esos fragmentos importa. Una frase aislada puede perder una excepción del párrafo siguiente; un manual entero puede aportar demasiada información que no responde a la consulta.
Embeddings y recuperación. Un embedding representa texto u otro contenido como un vector, una secuencia de números aprendida para representar información. La búsqueda vectorial puede localizar significados relacionados aunque las palabras difieran. La cercanía entre vectores no demuestra que dos productos sean idénticos ni que el pasaje encontrado responda realmente a la pregunta.
Una base de datos vectorial permite almacenar y consultar esas representaciones, pero no es obligatoria en todo RAG. También pueden utilizarse búsqueda por palabras, filtros de datos estructurados y métodos híbridos. Una referencia exacta puede ser decisiva para un artículo; una descripción del problema puede beneficiarse de similitud semántica. Una fase adicional puede reordenar los resultados antes de seleccionar pasajes.
El material seleccionado entra en la Context Window, junto a instrucciones y pregunta. Consume tokens y capacidad. Añadir más documentos no siempre mejora el resultado: contenido irrelevante o contradictorio puede dificultar el uso de la evidencia correcta. Identificar fuentes y delimitar sus textos ayuda a distinguir documentos recuperados de instrucciones de la aplicación.
| Método | Qué cambia | Para qué sirve |
|---|---|---|
| RAG durante el uso | Se aporta información recuperada al contexto. | Respaldar una respuesta con datos concretos o recientes. |
| Entrenamiento o fine-tuning | Un proceso de aprendizaje ajusta pesos del modelo. | Modificar patrones, comportamiento o rendimiento en tareas. |
| Ambos combinados | Un modelo adaptado trabaja con un sistema de recuperación. | Atender un proceso especializado; ambos componentes necesitan evaluación. |
El artículo de Lewis y colaboradores de 2020 presentó una combinación influyente de generador y fuente externa de conocimiento. Ese sistema de investigación también incluía entrenamiento de componentes. No significa que toda consulta RAG contemporánea sea un reentrenamiento. Actualmente, el término abarca varios diseños que unen recuperación de información y generación.
Dónde puede fallar y cómo comprobarlo
Una respuesta puede fallar porque falta la fuente, se recupera un pasaje incorrecto o se interpreta mal el correcto. La propia fuente también puede contener errores. Son causas diferentes que requieren soluciones distintas. Cambiar de modelo no arregla un catálogo desactualizado, y mejorar la búsqueda no elimina automáticamente una lectura equivocada del precio.
¿Se encontró el documento, la variante y la versión adecuados?
¿La fuente seleccionada respalda cada afirmación importante?
RAG puede reducir el riesgo de Hallucination al facilitar hechos relevantes, pero no garantiza respuestas sin errores. Una cita puede apuntar a un documento real que no contiene la cifra mencionada. Hay que evaluar la relación entre afirmación y pasaje, no limitarse a comprobar que el enlace abre una página.
- Prueba preguntas con respuesta conocida, incluidas variantes y excepciones.
- Añade consultas cuya respuesta no exista y espera una limitación explícita.
- Comprueba cómo se reflejan precios cambiados y documentos retirados.
- Aplica permisos antes de que la información llegue al modelo.
- Mide por separado la calidad de recuperación y la exactitud de la respuesta.
Define qué sucede cuando la evidencia no basta. La aplicación puede pedir una referencia, solicitar una comprobación actual de existencias o derivar la consulta a una persona, en vez de prometer disponibilidad. Si una decisión necesita trazabilidad, conserva la versión de la fuente utilizada. Así se obtiene un proceso útil y corregible, con una base visible para sus respuestas.