# RAG: qué es y cómo funciona · Zorraquino
> RAG combina la recuperación de información externa con un modelo generativo para producir respuestas apoyadas en contenidos pertinentes.
URL: https://www.zorraquino.com/diccionario/rag

# RAG

RAG combina la recuperación de información externa con un modelo generativo para producir respuestas apoyadas en contenidos pertinentes

Qué significa, cómo se usa y en qué contexto aparece, con sus conceptos relacionados.

[Todo el diccionario](https://www.zorraquino.com/diccionario)

## Qué es y cómo funciona

El sistema busca documentos o fragmentos y los incorpora al contexto antes de generar. Puede utilizarse para consultar documentación corporativa sin reentrenar el modelo en cada actualización. Su calidad depende de la búsqueda, las fuentes y la respuesta. RAG puede reducir ciertos errores, pero no los elimina ni garantiza que una cita respalde la afirmación.

También se dice

Retrieval-augmented generation, generación aumentada por recuperación

Temas

[Inteligencia artificial](https://www.zorraquino.com/diccionario/categoria/inteligencia-artificial)

## Preguntas frecuentes sobre RAG

### ¿Cuándo interesa RAG en lugar de ajustar un modelo con entrenamiento adicional?

RAG suele ser pertinente cuando la respuesta necesita consultar conocimiento externo que cambia o que debe poder rastrearse hasta sus documentos. El ajuste mediante entrenamiento adicional modifica el comportamiento del modelo y responde a necesidades diferentes, aunque ambas técnicas pueden combinarse. Conviene identificar primero si el problema está en disponer de la información adecuada o en cómo se produce la respuesta, y validar la alternativa con pruebas.

### ¿Qué documentación conviene preparar antes de poner en marcha un sistema RAG?

Conviene seleccionar documentos vigentes, comprensibles y con [responsables](https://www.zorraquino.com/diccionario/gobierno-del-dato) identificados, además de resolver duplicados o versiones contradictorias. El sistema debe respetar qué información puede consultar cada usuario durante la recuperación, no solo ocultarla en la pantalla final. Un repositorio grande no garantiza una buena respuesta: también importan la estructura del contenido, sus límites y la capacidad de localizar el fragmento pertinente.

### ¿Cómo distinguir un fallo de búsqueda de un fallo de generación?

Hay que revisar por separado los documentos recuperados y la respuesta producida. Si faltaba la información pertinente, el problema puede estar en la cobertura o en la búsqueda. Si la información estaba disponible y se interpretó mal, habrá que revisar la generación. Conviene incluir preguntas sin respuesta en el repositorio: el sistema debería reconocer esa carencia en lugar de completar los huecos con afirmaciones no respaldadas.

### ¿Cómo saber si un fallo de RAG está en la búsqueda o en la respuesta?

Revisa primero qué documentos se recuperaron y si contenían información suficiente y autorizada. Después comprueba cómo utilizó el modelo esos fragmentos. Si la fuente adecuada no llegó al contexto, el problema puede estar en preparación o recuperación; si llegó y se interpretó mal, requiere otro tratamiento. Conserva la pregunta, los fragmentos y la salida para comparar cambios. Una cita bien formada no demuestra por sí sola que el contenido respalde la respuesta.

## Conceptos relacionados

- [Búsqueda semántica](https://www.zorraquino.com/diccionario/busqueda-semantica)
- [Modelo fundacional](https://www.zorraquino.com/diccionario/modelo-fundacional)
- [Modelo multimodal](https://www.zorraquino.com/diccionario/modelo-multimodal)

## Referencias

- [IBM: generación aumentada por recuperación](https://www.ibm.com/think/topics/retrieval-augmented-generation)
- [Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks](https://arxiv.org/abs/2005.11401)
- [RAG and Generative AI — Azure AI Search](https://learn.microsoft.com/en-us/azure/search/retrieval-augmented-generation-overview)
- [The Government Data Quality Framework](https://www.gov.uk/government/publications/the-government-data-quality-framework/the-government-data-quality-framework)