¿Qué es RAG (Generación Aumentada por Recuperación)? (2026)

Un pipeline RAG tiene dos fases. Primero, ingesta (realizada con anticipación): divides tus documentos de origen en pasajes más pequeños (chunking), conviertes cada uno en un embedding — un vector numérico que captura su significado — y almacenas esos vectores en una base de datos.

Segundo, recuperación y generación (en tiempo de consulta): incrusta la pregunta del usuario, encuentra los pasajes más similares semánticamente mediante búsqueda vectorial, e inserta esos pasajes en el prompt junto con la pregunta. El modelo genera entonces una respuesta fundamentada en el texto suministrado, idealmente con citas que remitan a la fuente.

El objetivo es que el modelo responda desde evidencia que colocaste en su ventana de contexto, no desde lo que sucedió memorizar durante el entrenamiento. Esto hace que las respuestas sean rastreables — puedes mostrar de qué pasaje proviene una afirmación — y las mantiene actuales sin necesidad de reentrenamiento.

Ambos resuelven problemas diferentes. RAG inyecta conocimiento — hechos, documentos, políticas — en el prompt en tiempo de consulta. Fine-tuning ajusta los pesos del modelo para cambiar comportamiento, estilo o formato. Una regla práctica útil: RAG es para lo que el modelo debe saber; fine-tuning es para cómo debe actuar.

Opta por RAG cuando tu conocimiento cambia frecuentemente, es voluminoso o privado, o debe ser citado — documentación de producto, tickets de soporte, contratos, una wiki interna. Puedes actualizar la base de conocimiento instantáneamente sin tocar el modelo. Opta por fine-tuning cuando necesitas un formato de salida consistente, tono, o un comportamiento de tarea estrecho que el prompting solo no puede hacer cumplir de manera confiable. Los dos no son mutuamente excluyentes — muchos sistemas en producción hacen fine-tuning para comportamiento y usan RAG para hechos.

Comparamos los tradeoffs, costos y modos de fallo en profundidad en RAG vs fine-tuning: cuándo gana cada uno.

Usa RAG cuando: El conocimiento cambia frecuentemente, es voluminoso o privado, o debe ser citado; necesitas respuestas fundamentadas en documentos específicos; quieres actualizar hechos sin reentrenamiento.
Usa fine-tuning cuando: Necesitas formato consistente, tono, o un comportamiento estrecho; la tarea es estable; el prompting solo no puede hacer cumplir de manera confiable la estructura de salida que requieres.

RAG cambia la estructura del prompt. Tu prompt ahora tiene tres partes: instrucciones, el contexto recuperado, y la pregunta del usuario. Mantenlas claramente separadas con delimitadores (encabezados, etiquetas de estilo XML, o triple backticks) para que el modelo pueda distinguir sus instrucciones de los datos suministrados — esto también reduce el riesgo de inyección desde documentos no confiables.

Indica al modelo que responda únicamente desde el contexto proporcionado y que diga cuándo la respuesta no está allí. Una instrucción de fallback como 'Si el contexto no contiene la respuesta, di que no lo sabes' es lo que evita que un sistema fundamentado invente hechos silenciosamente. Pedir citas que remitan a los pasajes utilizados hace que las respuestas sean verificables.

Aquí hay un esqueleto mínimo de prompt para respuestas fundamentadas:

``` Eres un asistente de soporte. Responde SOLO usando el contexto a continuación. Si la respuesta no está en el contexto, di "No tengo esa información". Cita el número de pasaje de origen para cada afirmación. Contexto: [1] {retrieved_passage_1} [2] {retrieved_passage_2} Pregunta: {user_question} ```

La mayoría de los problemas con RAG son problemas de recuperación, no de generación. Si el pasaje correcto nunca se recupera, el modelo no puede responder correctamente sin importar cuán bueno sea el prompt — por lo que la calidad de recuperación (estrategia de chunking, modelo de embedding, y cuántos pasajes extraes) es donde va la mayor parte del esfuerzo de ajuste.

Otros problemas frecuentes: chunks demasiado grandes para ser precisos o demasiado pequeños para tener significado; demasiado texto recuperado saturando la pregunta o enterrando el pasaje relevante en un contexto largo; y confiar ciegamente en el contenido recuperado, lo que abre la puerta a inyección de prompts si tus fuentes no son confiables. Las instrucciones de fundamentación, citas, y recuperación estrecha son las defensas estándar.