Generación aumentada por recuperación (RAG)
Definición rápida
La generación aumentada por recuperación (RAG) es una técnica en la que un sistema de IA primero recupera pasajes relevantes de una fuente confiable, como una base de conocimiento o un catálogo de productos, y luego se los proporciona a un modelo de lenguaje para que su respuesta se base en esos pasajes en lugar de solo en su memoria.
En esta página
Por qué existe RAG
Un modelo de lenguaje aprende de una instantánea fija de texto. No conoce tu política de devoluciones, tus precios actuales o el producto que agregaste esta mañana, y cuando se le pregunta de todos modos, puede producir una respuesta plausible pero incorrecta. Volver a entrenar un modelo cada vez que cambie tu contenido sería lento y costoso.
RAG resuelve esto manteniendo el conocimiento fuera del modelo. Tu contenido permanece en un almacén buscable que puedes actualizar en cualquier momento; al modelo solo se le pide que lea los extractos relevantes y formule una respuesta. Este enfoque fue descrito por Lewis y colegas en Facebook AI Research en 2020.
Cómo funciona, paso a paso
Primero, se prepara el contenido: documentos, páginas web o registros de productos se dividen en pasajes, y cada pasaje se convierte en un embedding: una lista de números que captura su significado. Estos embeddings se almacenan en un índice vectorial, a menudo junto a un índice de palabras clave clásico.
Cuando llega una pregunta, se convierte de la misma manera y se recuperan los pasajes más cercanos, a veces combinados con búsqueda por palabras clave o filtros como idioma o categoría. Los mejores pasajes se insertan en el aviso del modelo con una instrucción para responder a partir de ellos. Muchos sistemas también devuelven las fuentes, para que el lector pueda verificar de dónde provino la respuesta.
Límites a tener en cuenta
RAG es tan bueno como lo que recupera. Si falta el pasaje correcto, está desactualizado o mal dividido, el modelo responde a partir del extracto incorrecto o recurre a su memoria. Las preguntas estructuradas — "la chaqueta más barata en stock en tamaño M" — son mal atendidas solo por búsqueda de similitud y necesitan filtros sobre datos reales. Y el modelo aún puede malinterpretar un pasaje, por lo que las respuestas sobre temas sensibles deben ser verificadas o escaladas.
Por eso los sistemas de producción combinan RAG con búsqueda estructurada, reglas de frescura que re-sincronizan el contenido cuando cambia, y instrucciones claras para indicar cuándo las fuentes no contienen la respuesta.
RAG en servicio al cliente
Para un asistente de soporte o comercio electrónico, RAG es lo que permite al agente responder a partir de tu FAQ, tus políticas y tu catálogo en el idioma del cliente, y señalar la página que utilizó. En AI SmartTalk, el conocimiento del que un asistente responde — páginas web, documentos, entradas de FAQ y productos sincronizados — se indexa de esta manera, y las preguntas sobre productos también utilizan filtros sobre precio, opciones y stock.
Preguntas frecuentes
¿Es RAG lo mismo que el ajuste fino?
No. El ajuste fino cambia los pesos del modelo entrenándolo con ejemplos; RAG deja el modelo sin cambios y le proporciona la información correcta en el momento de la pregunta. RAG suele ser la mejor opción para hechos que cambian, como precios, stock o políticas.
¿RAG detiene las alucinaciones de IA?
Las reduce mucho, porque el modelo responde a partir de pasajes reales, pero no las elimina. Se necesita una buena recuperación, una instrucción para admitir cuando las fuentes están en silencio, y una transferencia a una persona para casos sensibles.
¿Qué es una base de datos vectorial?
Un almacén que indexa embeddings para que los pasajes más cercanos en significado a una pregunta puedan ser encontrados rápidamente. Es la capa de recuperación habitual de un sistema RAG, a menudo emparejada con búsqueda por palabras clave.
¿Puede RAG trabajar con un catálogo de productos?
Sí, pero los productos necesitan más que búsqueda de similitud: un asistente debería filtrar por campos estructurados como precio, tamaño o stock, y luego usar RAG para descripciones y guías de compra.