Fuentes de conocimiento
PDF, documentos, páginas web, tablas o registros de un sistema existente.
RAG es un enfoque en el que el sistema recupera información relevante de fuentes internas o externas antes de que el modelo responda. La respuesta se basa en el conocimiento del negocio, no solo en la memoria general del modelo.
Fuentes oficiales: Guía de inicio de SEO de Google · Documentación de Google sobre datos estructurados · Documentación de OpenAI Agents SDK · Documentación de migración de Supabase · Artículo sobre Retrieval-Augmented Generation
Un modelo de lenguaje puede redactar una respuesta, pero no sabe automáticamente qué contienen los documentos de tu empresa. RAG añade la recuperación: el sistema encuentra los fragmentos relevantes, se los pasa al modelo y el modelo responde a partir de ese contexto.
Es útil para atención al cliente, preguntas de empleados, búsqueda en documentos, sistemas de formación, preparación de presupuestos, análisis de contratos y cualquier flujo en el que el conocimiento del negocio cambia con el tiempo.
Hay que mapear las fuentes de conocimiento, limpiar los documentos, dividir el contenido en fragmentos con sentido, configurar la recuperación y probar las respuestas con preguntas reales. Los documentos largos sin una buena división suelen dar respuestas débiles incluso con un modelo potente.
Los permisos también importan. No todos los usuarios deben ver todos los documentos. RAG dentro de un sistema empresarial debe respetar el control de acceso, la privacidad y la separación entre clientes o equipos.
Tres cosas. Dividir según la estructura del documento, por títulos y párrafos, no por un número fijo de caracteres. Búsqueda híbrida: búsqueda semántica que entiende la intención, combinada con búsqueda por palabras clave que capta códigos de producto, nombres y cláusulas. Y en hebreo, la búsqueda por palabras clave debe manejar prefijos como ו, ב, ל, מ y ש, o se pierde coincidencias simples.
Los permisos se filtran antes de que la información llegue al modelo, no después. Si un documento que el usuario no puede ver entra en el contexto del modelo, una instrucción al modelo no siempre lo dejará fuera de la respuesta. Y se mide: un conjunto de decenas de preguntas reales con respuestas correctas, que se ejecuta tras cada cambio y comprueba si las respuestas se basan en las fuentes y responden de verdad a la pregunta.
Itay Karkason conecta RAG a sistemas existentes por etapas: mapa del conocimiento, indexación, conexión con la interfaz, pruebas de respuestas, gestión de permisos y monitorización. El objetivo son respuestas útiles basadas en el conocimiento del negocio.
PDF, documentos, páginas web, tablas o registros de un sistema existente.
Dividir la información en partes recuperables con contexto suficiente.
Mantener separados usuarios, clientes, documentos y datos sensibles.
Preguntas reales, respuestas que faltan, contradicciones y casos en los que el sistema debe decir que no tiene información.
No. RAG es una capa de recuperación y contexto sobre la información existente. La base de datos sigue gestionando los datos.
Sí, pero la calidad de la recuperación, la división de los documentos y las respuestas en español deben probarse con datos reales.
Esta página se creó como una breve guía de referencia basada en investigación con NotebookLM y fuentes profesionales. Fuentes principales:
Empieza revisando los documentos y el flujo de trabajo actual.
Contacto