RAG y bases de conocimiento para agentes de IA

RAG significa Retrieval-Augmented Generation, o generación aumentada por recuperación. Permite que un sistema de IA recupere información relevante de una fuente definida y la utilice al generar una respuesta. Es útil cuando un agente necesita conocimiento actual, interno o especializado que puede no estar en el entrenamiento original del modelo.

Normalmente RAG no vuelve a entrenar el modelo. Los fragmentos relevantes se añaden en el momento de la consulta, de modo que una organización puede actualizar documentos sin construir un modelo nuevo.

Cómo funciona RAG

Primero se reúnen documentos aprobados, como políticas, manuales o procedimientos. Suelen dividirse en fragmentos. Cada fragmento se representa de una forma que permite búsqueda semántica; los embeddings son una técnica habitual.

Cuando alguien pregunta, el sistema crea una representación consultable de la pregunta. Recupera los fragmentos más relevantes y los envía al modelo. El modelo redacta una respuesta con ese contexto. Una buena implementación identifica fuentes y reconoce cuando la evidencia no basta.

Ejemplo: guía de procesos interna

Un empleado pregunta cómo aprobar una compra por encima de cierto importe. El sistema encuentra secciones actuales sobre límites, funciones y documentación. El agente resume los pasos y enlaza la versión correcta de la política.

Si la política no cubre una excepción, el agente no debe inventar una norma. Debe explicar que la fuente es insuficiente y remitir al equipo responsable. Ese comportamiento debe estar instruido y probado.

RAG frente a archivos cargados

Un proyecto con pocos archivos puede bastar para una solución pequeña. Una arquitectura RAG específica es más útil cuando el material es grande, cambia con frecuencia o sirve a varias aplicaciones. No existe una frontera exacta y muchas herramientas modernas utilizan recuperación internamente.

RAG tampoco es lo mismo que MCP. RAG describe cómo se recupera conocimiento relevante para una respuesta. MCP es un protocolo para conectar una aplicación con recursos y herramientas. Una conexión MCP podría exponer un buscador que utiliza RAG.

¿Qué determina la calidad?

Las fuentes son fundamentales. Documentos antiguos, contradictorios o mal etiquetados producen respuestas inseguras. Necesitan propietario, versión, fecha de vigencia y retirada. La división también importa: fragmentos demasiado pequeños pierden contexto y fragmentos enormes añaden ruido.

Prueba la recuperación por separado de la respuesta. Si nunca se recupera el pasaje correcto, el modelo no puede utilizarlo de manera fiable. Mide tanto si se encontró la fuente correcta como si la respuesta la interpretó bien.

Fallos frecuentes

Una cita no demuestra automáticamente que una afirmación esté respaldada. Comprueba que el fragmento coincide con lo dicho. Otro error es cargar todo el archivo documental sin selección. Más datos no siempre significa mejor.

Los documentos también pueden incluir instrucciones para manipular al agente. Trata el contenido recuperado como datos, no como instrucciones de mayor prioridad. Limita las acciones que puedan derivarse de texto no confiable.

¿Cuándo conviene RAG?

RAG es adecuado cuando las respuestas deben basarse en un conjunto limitado y cambiante de conocimiento. Es menos útil en tareas creativas, cuando no existen fuentes fiables o cuando una API estructurada puede responder mejor a consultas exactas.

En resumen

RAG recupera conocimiento relevante antes de generar una respuesta. Puede mejorar actualidad y trazabilidad, pero solo con buenas fuentes, búsqueda y pruebas. Una base de conocimiento requiere gestión continua.

Fuentes

• Anthropic: RAG for Projects
• Microsoft Learn: Retrieval-augmented generation
• NIST: AI Risk Management Framework

Última revisión: 16 de septiembre de 2026.