¿Qué problema resuelve RAG?
RAG resuelve el problema de que un modelo de IA no conozca los documentos de su organización o solo tenga una visión desactualizada del mundo. En lugar de volver a entrenar el modelo, se le proporcionan los fragmentos adecuados en el momento de responder.
Imagine un operador turístico ficticio con 50 personas, Tidewater Travel. Su equipo de reservas hace una y otra vez las mismas preguntas sobre un manual de condiciones y procedimientos de 90 páginas. Un jefe de equipo, Leon, probó un chatbot de uso general: '¿Puede un cliente cambiar el nombre del pasajero principal 10 días antes de la salida? ¿Tiene algún cargo?' El chatbot dio una respuesta genérica y segura sobre las normas de las aerolíneas y un cargo que Tidewater no cobra. La respuesta real está en la sección 4.2 del manual, que el chatbot nunca ha visto.
¿Cómo funciona la generación aumentada por recuperación?
La generación aumentada por recuperación funciona en tres etapas: recuperar los pasajes más relevantes para la pregunta, añadirlos a la instrucción y dejar que el modelo genere una respuesta a partir de ellos. El glosario de Anthropic describe la misma idea: cuando se realiza la consulta, se recupera información relevante de una base de conocimientos y se envía al modelo junto con la pregunta original.
El término procede de un artículo de investigación de 2020 de Patrick Lewis y sus colegas, que combinaron un modelo de lenguaje con un índice de documentos que permitía hacer búsquedas y observaron que las respuestas eran más específicas y se ajustaban más a los hechos que las del modelo por sí solo.
1. Prepare los documentos
El manual se divide en fragmentos, por ejemplo, una sección o unos pocos párrafos por fragmento, para que una búsqueda pueda devolver un pasaje específico en lugar del libro completo.
2. Indéxelos por su significado
Cada fragmento se convierte en una representación vectorial, una lista de números que representa su significado, y se almacena en una base de datos vectorial. AWS describe este paso como la conversión de datos en representaciones numéricas para poder relacionarlos con preguntas.
3. Recupere la información
La pregunta se convierte de la misma forma y se compara con el índice para encontrar los fragmentos más cercanos. Muchos sistemas también utilizan en paralelo la búsqueda convencional por palabras clave.
4. Amplíe la instrucción
Los fragmentos más relevantes se incluyen en la instrucción junto con una indicación como 'responda solo a partir de estos pasajes y cite la sección'.
5. Genere
El modelo redacta la respuesta a partir del texto proporcionado e, idealmente, reproduce o cita los pasajes que utilizó.
¿Cómo se comparan una respuesta con RAG y una sin RAG?
Sin RAG: 'La mayoría de las empresas de viajes permiten cambios de nombre por un cargo de entre 50 y 100 por persona, sujeto a la política de la aerolínea.' Parece útil, pero no es la política de Tidewater y nadie puede comprobar de dónde salió.
Con RAG: el sistema recupera la sección 4.2 y la sección 4.5 del manual, y el modelo responde: 'Sí. La sección 4.2 permite cambiar el nombre del pasajero principal hasta 7 días antes de la salida sin cargo. La sección 4.5 indica que los paquetes que incluyen vuelos pueden estar sujetos al cargo por cambios de la aerolínea, que se muestra en el sistema de reservas. Fuente: secciones 4.2 y 4.5 del manual.' Leon puede abrir ambas secciones y confirmar la respuesta en segundos. Si el manual cambia, la respuesta cambia en cuanto se indexa la nueva versión.
¿Cuándo conviene utilizar RAG y cuándo no?
Use RAG cuando las respuestas deban proceder de un conjunto concreto de documentos que cambia con el tiempo y las personas necesiten ver la fuente. Es adecuado para manuales de políticas, documentación de productos, bases de conocimientos de soporte y repositorios de contratos. El glosario de Anthropic señala que resulta especialmente útil para obtener información actualizada, conocimientos de un ámbito específico y citas explícitas de las fuentes.
RAG no es la solución cuando los documentos son lo bastante breves como para pegarlos directamente en la instrucción, cuando la tarea trata sobre estilo o formato y no sobre hechos, o cuando los propios documentos de origen no son fiables. Tampoco sustituye los permisos: si se recupera un fragmento, el modelo puede repetirlo, por lo que los controles de acceso deben aplicarse antes de la recuperación.
¿Qué puede fallar en la generación aumentada por recuperación?
RAG suele fallar en la recuperación más que en la generación: si se encuentra el fragmento equivocado, el modelo lo utiliza para redactar una respuesta con seguridad. Anthropic señala que la eficacia de RAG depende de la calidad y la pertinencia de la base de conocimientos y de lo que se recupera.
Fragmento incorrecto o incompleto
El pasaje que contiene la excepción está en un fragmento distinto al de la regla, por lo que la respuesta no la tiene en cuenta.
Versiones desactualizadas o duplicadas
El manual del año pasado sigue indexado junto al de este año y el sistema recupera el antiguo.
El modelo se desvía del texto
El modelo mezcla el texto recuperado con sus conocimientos generales. Las instrucciones de responder solo a partir de las fuentes y las citas visibles facilitan detectar esta mezcla.
No existe una buena respuesta
El sistema debe indicar que los documentos no abarcan la pregunta, en lugar de adivinar.
¿Dónde encaja RAG en el catálogo de Tosheo.ai?
Generación aumentada por recuperación forma parte de la categoría Creación de aplicaciones de IA del curso de creación de aplicaciones de IA. Esta lección es la versión conceptual para quienes trabajan con asistentes de IA basados en documentos de la empresa. La ruta de programación, disponible tras registrarse, permite crear una pequeña aplicación RAG mediante la práctica, desde la división de documentos y la creación de representaciones vectoriales hasta la recuperación y las respuestas con citas, con comentarios basados en la guía de evaluación en cada paso.
Fuentes y alcance
Documentación de Claude de Anthropic, función de citas (consultada el 19 October 2026) ↗