RAG
Técnica que recupera fragmentos relevantes de tus documentos y los añade al contexto para que el modelo responda con ellos.
También: Retrieval-Augmented Generation · generación aumentada por recuperación · recuperación aumentada
GlosarioRAG (Retrieval-Augmented Generation) es buscar en tus propias fuentes la información relevante para una pregunta e incluirla en el contexto antes de que el modelo responda. Así el modelo trabaja con datos actualizados y privados que no vio en su entrenamiento, y puede citar de dónde sale cada afirmación. El término viene de Lewis et al. (2020).
En la práctica
Tiene dos fases. Indexar: trocear los documentos (Chunking), calcular sus Embeddings y guardarlos en un Vector store. Consultar: buscar los fragmentos más parecidos a la pregunta, idealmente con Búsqueda híbrida y Reranking, y pasárselos al modelo con instrucciones de citar. Muchos fallos nacen en la recuperación: evalúa por separado si los fragmentos correctos llegan al contexto.
No confundir con
- Fine-tuning: cambia el modelo. RAG no lo toca; cambia lo que lee.
- Contexto largo: meterlo todo en la ventana. Funciona con poco material, pero es más caro y el modelo aprovecha peor la información enterrada.