RAG: dar conocimiento externo a la IA

Por qué el conocimiento vive fuera del modelo

Meter todo dentro del modelo es imposible: entrenar es caro, lento y congela el conocimiento en una fecha. La alternativa es darle conocimiento externo en el momento de la consulta: buscar documentos relevantes y adjuntarlos como contexto para responder basándose en ellos.

Ejemplo: preguntás por un procedimiento interno. El sistema busca en manuales autorizados, elige los fragmentos relevantes y el modelo redacta citando manual y versión. Si el manual cambia, cambia la respuesta sin reentrenar nada.

Embeddings, búsqueda semántica y RAG

Un embedding convierte un texto en una lista de números que captura su significado (textos parecidos quedan cerca). La búsqueda vectorial o semántica encuentra documentos por significado, no por palabras exactas.

RAG (Retrieval-Augmented Generation) es el flujo completo: buscar fragmentos relevantes, dárselos al modelo y generar la respuesta citando esas fuentes. El grounding ancla la respuesta en fuentes concretas y la trazabilidad permite rastrear cada afirmación hasta su documento origen.

Límites honestos

RAG no enseña al modelo (sus parámetros no cambian): le presta información. Por eso combina tan bien con la verificación: las citas permiten auditar.

Sus límites: si la búsqueda trae basura, la respuesta hereda basura; si el documento no existe, el sistema debe decir que no lo encontró, no inventar. Poner embeddings no es tener RAG (falta flujo completo y citas) y RAG reduce mucho las alucinaciones pero no las elimina.

Fuentes

• Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks (paper) · consultado 03/10/2026
• Text embeddings guide (documentacion-oficial) · consultado 03/10/2026

Seguir aprendiendo

• RAG, supervisión humana y riesgos de los agentes (Intermedio)