Generación Aumentada por Recuperación (RAG)
La Generación Aumentada por Recuperación (RAG) es un marco de IA que mejora la precisión y fiabilidad de los Modelos de Lenguaje Grandes (LLMs) mediante la integración de fuentes de conocimiento externas durante el proceso de generación.
Los sistemas RAG combinan las fortalezas de la recuperación de información y la generación de texto. Primero recuperan documentos o datos relevantes de una base de conocimiento externa basándose en la consulta de un usuario. Luego, aumentan la entrada del LLM con esta información recuperada, permitiendo al modelo generar respuestas más informadas y contextualmente precisas. Este enfoque reduce la dependencia del conocimiento interno del LLM, que puede estar desactualizado o incompleto, y mejora la calidad general y la fiabilidad de la salida generada. RAG es particularmente útil para tareas que requieren información actualizada o conocimiento especializado.
graph LR
Center["Generación Aumentada por Recuperación (RAG)"]:::main
Pre_large_language_model["large-language-model"]:::pre --> Center
click Pre_large_language_model "/terms/large-language-model"
Pre_vector_database["vector-database"]:::pre --> Center
click Pre_vector_database "/terms/vector-database"
Pre_semantic_search["semantic-search"]:::pre --> Center
click Pre_semantic_search "/terms/semantic-search"
Center --> Child_rag_pipeline["rag-pipeline"]:::child
click Child_rag_pipeline "/terms/rag-pipeline"
Center --> Child_context_window["context-window"]:::child
click Child_context_window "/terms/context-window"
Rel_prompt_engineering["prompt-engineering"]:::related -.-> Center
click Rel_prompt_engineering "/terms/prompt-engineering"
Rel_generative_ai_agents["generative-ai-agents"]:::related -.-> Center
click Rel_generative_ai_agents "/terms/generative-ai-agents"
Rel_rlhf["rlhf"]:::related -.-> Center
click Rel_rlhf "/terms/rlhf"
classDef main fill:#7c3aed,stroke:#8b5cf6,stroke-width:2px,color:white,font-weight:bold,rx:5,ry:5;
classDef pre fill:#0f172a,stroke:#3b82f6,color:#94a3b8,rx:5,ry:5;
classDef child fill:#0f172a,stroke:#10b981,color:#94a3b8,rx:5,ry:5;
classDef related fill:#0f172a,stroke:#8b5cf6,stroke-dasharray: 5 5,color:#94a3b8,rx:5,ry:5;
linkStyle default stroke:#4b5563,stroke-width:2px;
🧠 Prueba de conocimiento
🧒 Explícalo como si tuviera 5 años
🌍 Imagine you're taking a test. A regular AI tries to answer from memory alone. An AI using [RAG](/es/terms/rag) is allowed to look at an open book (the [database](/es/terms/database)) specifically related to the question before it writes down the answer. This makes it much less likely to make things up.
🤓 Expert Deep Dive
RAG architectures fundamentally shift LLM interaction from pure parametric recall to a hybrid parametric-retrieval paradigm. The core challenge lies in optimizing the retrieval-augmentation loop for relevance and efficiency. Techniques like dense passage retrieval (DPR) using bi-encoders, or hybrid search combining keyword and semantic matching, are crucial. Advanced RAG implementations explore iterative retrieval, query decomposition for complex questions, and re-ranking mechanisms to refine retrieved context. The choice of vector [database](/es/terms/vector-database), embedding model, chunking strategy, and retrieval parameters (e.g., top-k) significantly impacts performance. Potential vulnerabilities include retrieval poisoning, where malicious data injected into the knowledge base can lead to biased or incorrect LLM outputs. Furthermore, the computational overhead of retrieval can introduce latency, a critical trade-off for real-time applications. Evaluating RAG systems requires metrics beyond standard LLM benchmarks, focusing on retrieval precision/recall and the factual consistency of the generated output with the retrieved context.