RAG
Retrieval-Augmented Generation: antes de responder, el modelo busca información en una base de datos o documentos propios y la usa para fundamentar su respuesta.
- Última revisión:
- Fuentes:
- 2 fuentes · 2 verificadas
Un modelo de lenguaje sabe sólo lo que aprendió al entrenarse, y ese conocimiento se congela y puede ser incompleto o equivocado. RAG (Lewis et al., 2020) intercala un paso de recuperación: frente a una pregunta, el sistema busca primero en una fuente externa —documentos de la empresa, una base de datos, la web—, recupera los pasajes relevantes y se los pasa al modelo para que responda apoyado en ellos.
El mecanismo apela a los embeddings para decidir qué es relevante: la pregunta y los documentos se representan como vectores, y se recuperan los más cercanos. Por eso RAG y embeddings están tan entrelazados. La virtud es que el modelo puede usar información privada, actualizada o verificable sin reentrenarse cada vez.
RAG reduce, pero no elimina, los problemas de confiabilidad. Si la recuperación trae el pasaje equivocado, o si el modelo lo interpreta mal, la respuesta puede seguir siendo incorrecta; y el modelo puede igualmente inventar cuando no halla nada. Por eso se sigue investigando cómo mejorar el paso de recuperación —como el trabajo de Anthropic (2024) sobre 'recuperación contextual'— y por qué RAG convive con la revisión humana en usos serios.
¿Por qué te importa?
Cuando un asistente responde sobre tus propios documentos —un contrato, un manual, tu historia clínica— con citas, casi siempre hay RAG debajo. Entenderlo explica por qué el sistema puede equivocarse aun cuando 'leyó' lo correcto.
Ejemplos
- Asistentes que responden sobre documentación interna de una empresa citando el documento fuente.
- Buscadores conversacionales que recuperan páginas web para fundamentar cada respuesta.
- Mejoras recientes al paso de recuperación, como la 'recuperación contextual' de Anthropic (2024).
Términos relacionados
Debate y controversia
Se discute si RAG resuelve de verdad el problema de la invención (no del todo: depende de la calidad de la recuperación y de cómo el modelo use lo hallado), y si ampliar indefinidamente la ventana de contexto volverá innecesario recuperar (la práctica extendida sugiere que no).
Fuentes
Patrick Lewis et al. · 2020
WebFetch confirmó título exacto y lead author (Lewis) en arXiv 2005.11401, 2020 (NeurIPS 2020); es el paper que introduce RAG.
- Introducing Contextual Retrieval Verificada
Anthropic · 2024
WebFetch confirmó la publicación de ingeniería de Anthropic, septiembre 2024, sobre mejorar el paso de recuperación en RAG.