RAG (Generación Aumentada por Recuperación)

RAG (Retrieval-Augmented Generation, generación aumentada por recuperación) es la técnica que conecta un LLM con una base de conocimiento propia. En lugar de que el modelo responda solo con lo aprendido en el entrenamiento, el sistema primero recupera los fragmentos más relevantes de tus documentos y los incluye en el prompt; el modelo entonces genera la respuesta apoyado en ese contexto.

El flujo típico: los documentos se dividen en fragmentos y se convierten en embeddings (vectores numéricos que capturan significado), almacenados en una base de datos vectorial (como Pinecone). Cuando llega una pregunta, también se convierte en embedding, el sistema busca los fragmentos más parecidos y arma el prompt con ellos. Resultado: respuestas ancladas en fuentes, con posibilidad de citar de dónde salió cada información.

Cuándo usarlo: siempre que el LLM deba responder sobre contenido que no conoce (documentación interna, catálogos, contratos, datos recientes) sin el costo de un fine-tuning. Ejemplo concreto: un chatbot de soporte con RAG sobre el manual del producto responde "¿cómo restablezco mi contraseña?" citando el paso a paso exacto de la versión actual del manual, en vez de inventar un procedimiento genérico.