# RAG: qué es y cómo conecta documentos con un chatbot > La generación aumentada por recuperación combina búsqueda y un modelo de lenguaje: primero encuentra contexto relevante y después lo agrega al pedido. El resultado puede usar documentos propios y datos recientes, pero depende de la calidad de la recuperación. - URL canónica: https://visteesto.com/nota/rag-que-es-como-funciona-chatbot - Autor: [Martin Rodriguez](https://visteesto.com/autor/martin-rodriguez) - Publicado: 2026-09-26T21:00:00.000Z - Actualizado: 2026-09-26T21:00:00.000Z - Sección: Tecnología - Tema: rag-recuperacion-documentos-chatbots - Idioma: es - Consulta principal: qué es RAG y cómo funciona en un chatbot ## Resumen verificable - RAG recupera información externa y la incorpora al pedido de un modelo de lenguaje antes de generar una respuesta. ([evidencia](https://cloud.google.com/use-cases/retrieval-augmented-generation)) - Un flujo RAG puede convertir documentos en embeddings, buscarlos por similitud y enviar fragmentos relevantes al modelo. ([evidencia](https://docs.aws.amazon.com/prescriptive-guidance/latest/retrieval-augmented-generation-options/what-is-rag.html)) - RAG permite conectar datos propios o actualizados sin reentrenar el modelo de lenguaje con toda la colección. ([evidencia](https://learn.microsoft.com/en-us/azure/ai-foundry/concepts/retrieval-augmented-generation)) - El trabajo original de RAG combina memoria externa recuperada con generación para tareas que requieren conocimiento. ([evidencia](https://arxiv.org/abs/2005.11401)) ## Aporte editorial de VisteEsto VisteEsto organiza la documentación técnica en una checklist que separa ingestión, recuperación, generación, permisos y evaluación para no confundir contexto con exactitud. ## Qué significa RAG RAG es la sigla de Retrieval-Augmented Generation, o generación aumentada por recuperación. El patrón separa dos tareas: buscar información relevante en una colección y pedirle a un modelo de lenguaje que redacte una respuesta usando ese contexto. El modelo no necesita memorizar cada documento durante su entrenamiento. La colección puede contener manuales, páginas internas, tickets, contratos o datos que cambian con frecuencia. Antes de responder, el sistema convierte la pregunta en una consulta, recupera fragmentos y los incorpora al pedido del modelo. La respuesta puede incluir citas o enlaces si la aplicación conserva el origen de cada fragmento. RAG no es una garantía automática contra errores. Si el buscador trae un fragmento equivocado, incompleto o desactualizado, el modelo puede redactar una respuesta convincente sobre una base mala. La calidad final depende tanto del recuperador y de los documentos como del modelo que genera. ## Cómo llega un documento al chatbot La primera etapa prepara la colección. El sistema limpia los archivos, los divide en fragmentos manejables y guarda sus metadatos. Después calcula un embedding para cada fragmento: una representación numérica que permite comparar significados aproximados, además de búsquedas por palabras o filtros estructurados. Cuando llega una pregunta, el mismo proceso crea una representación de la consulta. Un índice vectorial busca fragmentos cercanos y un recuperador puede combinar esa similitud con palabras clave, permisos, fechas o un reordenador. El sistema debe filtrar documentos que la persona no tiene autorización para leer antes de enviarlos al modelo. El orquestador arma el pedido final con la pregunta, las instrucciones y un conjunto acotado de fragmentos. Reducir el contexto a lo relevante evita gastar tokens en texto inútil, pero cortar demasiado puede quitar definiciones o excepciones necesarias. La estrategia de división, recuperación y orden afecta directamente la respuesta. ## Qué mejora y qué no resuelve RAG permite actualizar una base documental sin entrenar de nuevo el modelo. También puede conectar una aplicación con información privada o especializada que no estaba en los datos de entrenamiento. Es una forma práctica de aportar contexto y de mostrar al usuario de dónde salió una afirmación. El patrón no arregla documentos contradictorios, permisos mal configurados ni preguntas ambiguas. Si dos manuales tienen versiones distintas, el buscador puede devolver ambos y el modelo tendrá que elegir. La aplicación necesita fechas, propietarios, reglas de prioridad y una política para declarar que no encontró evidencia suficiente. Tampoco conviene confundir una respuesta con una prueba de que el modelo leyó todo. La ventana de contexto es limitada y el sistema suele enviar sólo algunos fragmentos. Un resultado que suena correcto puede omitir una condición que quedó fuera de la recuperación, por lo que las citas y la revisión humana siguen siendo parte del diseño. ## Cómo evaluar un sistema RAG Medí primero la recuperación, no sólo la redacción final. Para cada pregunta de prueba, registrá si el fragmento correcto apareció entre los resultados y en qué posición. También revisá si el contenido recuperado responde la intención completa o sólo coincide por una palabra sin aportar la condición importante. Después evaluá la respuesta del modelo: fidelidad al contexto, cobertura de la pregunta, citas correctas y rechazo cuando no hay evidencia. Un chatbot puede ser fluido y aun así atribuir una frase al documento equivocado. Separar la evaluación del recuperador y del generador ayuda a encontrar cuál etapa está fallando. Las pruebas deben incluir preguntas frecuentes, documentos nuevos, versiones antiguas, permisos distintos y casos sin respuesta. Conservá un conjunto de referencia con la fuente esperada y revisalo cuando cambie la colección. Las métricas no reemplazan una muestra manual: sirven para detectar regresiones y comparar configuraciones bajo el mismo conjunto. ## Checklist antes de ponerlo en producción Definí quién puede consultar cada documento, cómo se actualiza el índice y qué ocurre cuando la búsqueda no encuentra contexto. Guardá el origen y la versión de cada fragmento, limitá el tamaño del pedido, medí latencia y costo, y ocultá información sensible en los registros. La respuesta debe poder explicar qué recuperó y cuándo. Empezá con un conjunto pequeño de preguntas reales y compará recuperación semántica, palabras clave o una combinación. Probá cambios de fragmentación, filtros y reordenamiento sin mover todos los parámetros a la vez. Así podés saber si una mejora provino del buscador, del prompt o del modelo de lenguaje. RAG es una arquitectura para dar contexto, no una etiqueta que certifique exactitud. La decisión responsable combina fuentes mantenidas, permisos, evaluación de recuperación y una salida que reconozca límites. Esa disciplina vale más que sumar documentos sin medir si realmente ayudan a responder. ## Fuentes consultadas - Fuente primaria: [Google Cloud: What is Retrieval-Augmented Generation?](https://cloud.google.com/use-cases/retrieval-augmented-generation) - Fuente primaria: [AWS Prescriptive Guidance: Understanding RAG](https://docs.aws.amazon.com/prescriptive-guidance/latest/retrieval-augmented-generation-options/what-is-rag.html) - Fuente primaria: [Microsoft Learn: Retrieval augmented generation](https://learn.microsoft.com/en-us/azure/ai-foundry/concepts/retrieval-augmented-generation) - Fuente primaria: [Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks](https://arxiv.org/abs/2005.11401) ## Imágenes y licencias - Chatbot que recupera fragmentos de documentos antes de generar una respuesta. Autor: VisteEsto. Licencia: [VisteEsto editorial](https://visteesto.com/terminos). [Origen](https://visteesto.com/nota/rag-que-es-como-funciona-chatbot). - Embeddings y fragmentos documentales que alimentan una búsqueda semántica. Autor: VisteEsto. Licencia: [VisteEsto editorial](https://visteesto.com/terminos). [Origen](https://visteesto.com/nota/rag-que-es-como-funciona-chatbot). - Evaluación de una respuesta RAG con fuente y contexto recuperado. Autor: VisteEsto. Licencia: [VisteEsto editorial](https://visteesto.com/terminos). [Origen](https://visteesto.com/nota/rag-que-es-como-funciona-chatbot). ## Cómo citar Citar título, autor, fecha de publicación o actualización y la URL canónica. Las afirmaciones centrales incluyen su evidencia directa arriba. Esta versión Markdown es una representación accesible; la nota HTML canónica es la fuente editorial de referencia.