Recuperación Aumentada por Generación (RAG)

Combinar un modelo de lenguaje con una base de conocimiento externa para respuestas más precisas y verificables.

ÁreaProcesamiento de Lenguaje Natural
DificultadAvanzado
Tiempo de aprendizaje4-6 semanas

¿Qué puedes lograr dominando este tema?

  • Reducir las alucinaciones de un LLM anclándolo a documentos reales y verificables
  • Construir un sistema de búsqueda semántica sobre documentos propios
  • Mantener las respuestas de un asistente actualizadas sin reentrenar el modelo

Descripción

RAG combina un LLM con un sistema de recuperación de información: en vez de confiar solo en lo que el modelo memorizó durante el entrenamiento, primero busca documentos relevantes en una base de conocimiento externa (típicamente vía embeddings y una base de datos vectorial) y los usa como contexto para generar la respuesta.

Casos de uso

  • Asistentes que responden preguntas sobre documentación interna de una empresa
  • Chatbots de soporte al cliente anclados a manuales y políticas reales
  • Sistemas de búsqueda semántica sobre bases de conocimiento grandes
  • Reducción de alucinaciones en dominios donde la precisión es crítica

Ejemplo práctico

Ejemplo prácticopython
resultados = base_vectorial.similarity_search(pregunta, k=3)
contexto = "\n".join(r.page_content for r in resultados)
prompt = f"Contexto:\n{contexto}\n\nPregunta: {pregunta}"

Ventajas y limitaciones

Ventajas

  • Reduce alucinaciones anclando el modelo a fuentes verificables
  • No requiere reentrenar el modelo para actualizar el conocimiento
  • Permite citar fuentes específicas de la respuesta generada

Limitaciones

  • La calidad depende totalmente de la calidad de la recuperación (retrieval)
  • Añade complejidad de infraestructura (bases de datos vectoriales, pipelines)

Herramientas relacionadas

Librerías y plataformas más comunes para practicar este tema.

  • LangChain
  • Pinecone
  • Hugging Face Transformers

Temas relacionados

Fichas de herramientas