Guía profesional breve

RAG en 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.

RAG es útil cuando la IA debe responder a partir de documentos, procedimientos, datos o una base de conocimiento que cambia con el tiempo.

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

¿Qué resuelve RAG?

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.

¿Qué hay que preparar antes de añadir RAG?

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.

¿Qué marca la diferencia en la calidad de las respuestas?

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.

¿Cómo implementa Itay Karkason RAG?

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.

Componentes que hay que planificar

Fuentes de conocimiento

PDF, documentos, páginas web, tablas o registros de un sistema existente.

División en fragmentos

Dividir la información en partes recuperables con contexto suficiente.

Permisos

Mantener separados usuarios, clientes, documentos y datos sensibles.

Pruebas de calidad

Preguntas reales, respuestas que faltan, contradicciones y casos en los que el sistema debe decir que no tiene información.

Preguntas frecuentes

¿Sustituye RAG a una base de datos?

No. RAG es una capa de recuperación y contexto sobre la información existente. La base de datos sigue gestionando los datos.

¿Funciona RAG en español?

Sí, pero la calidad de la recuperación, la división de los documentos y las respuestas en español deben probarse con datos reales.

Fuentes de investigación

Esta página se creó como una breve guía de referencia basada en investigación con NotebookLM y fuentes profesionales. Fuentes principales:

¿Quieres conectar la IA al conocimiento de tu empresa?

Empieza revisando los documentos y el flujo de trabajo actual.

Contacto