La generación aumentada por recuperación, RAG, es una técnica de IA que recupera documentos relevantes de una base de conocimientos antes de generar una respuesta, fundamentando las respuestas en fuentes reales y no en la memoria del modelo. En vez de depender de patrones integrados en los pesos del modelo, RAG extrae texto real y lo usa como evidencia al redactar una respuesta. El resultado es una IA que puede contestar preguntas sobre documentos que nunca vio durante el entrenamiento, con citas que puede señalar.
Paso 1: fragmentación e indexación, preparación de la base de conocimientos.
Este preprocesamiento ocurre fuera de línea, antes de que un usuario haga una pregunta. El resultado es un índice consultable donde cada fragmento se recupera por similitud semántica y no por coincidencia exacta de palabras clave. La calidad de la fragmentación afecta directamente a la precisión: los documentos mal divididos crean fragmentos con temas no relacionados y devuelven coincidencias ruidosas e irrelevantes.
Cuando un usuario envía una consulta, el sistema la convierte en un embedding vectorial mediante el mismo modelo usado durante la indexación. Luego calcula puntuaciones de similitud entre el vector de consulta y todos los vectores de fragmentos del índice y devuelve los k fragmentos semánticamente más similares para pasarlos al siguiente paso.
Imagínalo como una bibliotecaria que escucha tu pregunta, entra en las estanterías y vuelve con los cinco libros más relevantes en lugar de recitar toda la colección de memoria. La recuperación no requiere solapamiento de palabras clave; vincula significado. Una consulta sobre «por qué se rechazó la renovación de mi contrato» puede recuperar un pasaje sobre «cláusulas de terminación del acuerdo» sin compartir una sola palabra.
RAG recupera conocimiento en el momento de la consulta; el ajuste fino integra conocimiento en los pesos del modelo. No son enfoques rivales de la misma tarea: resuelven problemas fundamentalmente diferentes y elegir entre ambos exige entender qué problema tienes.
Mejor para
- RAG: conocimiento dinámico, privado o verificable; información que cambia con frecuencia; entornos sensibles al cumplimiento; bibliotecas de documentos personales.
- Ajuste fino: adaptar el estilo, tono o formato de salida de un modelo a un dominio fijo; tareas donde la consistencia de comportamiento importa más que la actualidad factual.
Una base de datos vectorial almacena embeddings y permite búsquedas por similitud. RAG es una arquitectura completa que usa una base de datos vectorial como un componente entre varios. Confundir ambos es uno de los malentendidos más comunes entre desarrolladores nuevos en este espacio y tiene consecuencias prácticas para quien intenta crear un sistema funcional.
La distinción es concreta. Una base de datos vectorial responde «¿qué fragmentos se parecen más a esta consulta?». La generación aumentada por recuperación usa esa respuesta como paso intermedio y dirige los fragmentos recuperados a un modelo de lenguaje que sintetiza una respuesta en lenguaje natural. Tener una base vectorial te da capacidad de recuperación; tener RAG te da una canalización completa de preguntas y respuestas construida sobre ella.
La implicación práctica: si un producto afirma «usar búsqueda vectorial» o «incrustar tus documentos», pregunta si también genera respuestas a partir del contexto recuperado. La búsqueda vectorial devuelve una lista de pasajes relevantes; un sistema de generación aumentada por recuperación toma esos pasajes y redacta una respuesta directa. Están relacionados, pero operan en niveles de abstracción distintos y uno no implica el otro.
Los pasajes recuperados y la pregunta se entregan al modelo para redactar una respuesta. Verifica las afirmaciones importantes y conserva enlaces a los originales. La búsqueda puede omitir información y la generación tergiversarla; RAG no garantiza exactitud.