RAG
RAG: respuestas fundamentadas en tu propia documentación
En resumen
RAG (Retrieval-Augmented Generation, generación aumentada por recuperación) es la técnica que recupera los pasajes más relevantes de una base de conocimiento antes de que un modelo de lenguaje genere la respuesta. En RootNia, RAG trabaja sobre documentos ya clasificados por sector, de modo que cada respuesta se basa en tus propias fuentes y enlaza con los documentos que la fundamentan.
Última actualización ·
Por qué un LLM solo no basta
Un modelo de lenguaje responde con lo que aprendió durante su entrenamiento. No conoce tus pólizas, tus contratos ni tus procedimientos internos, y cuando no sabe algo puede inventar una respuesta plausible. Para usarlo sobre documentación propia hace falta darle el contexto correcto en cada pregunta.
Cómo funciona RAG
- Recuperación: ante una pregunta, el sistema busca en la base de conocimiento los pasajes más relevantes.
- Aumento: esos pasajes se entregan al modelo junto con la pregunta.
- Generación: el modelo redacta la respuesta a partir de ese contexto, y la respuesta enlaza con sus fuentes.
Qué añade RootNia al RAG
- Fuentes conectadas y sincronizadas: SharePoint, OneDrive y bases de datos, internas y externas.
- Clasificación previa por sector: la recuperación trabaja sobre documentos ya estructurados, no sobre un montón de texto indiferenciado.
- Recuperación gobernada: control de acceso por niveles privado, público y técnico, y registro de cada recuperación.
- Trazabilidad: VERA ancla cada dato a su región en el documento.
- Agnóstico al modelo: ChatGPT, Claude, Kimi u otros, intercambiables sin rehacer el pipeline.
Ejemplo: una pregunta, tres documentos
Ejemplo ilustrativo del funcionamiento, no de un cliente concreto.
Alguien pregunta: «¿Cuál es el plazo de preaviso para cancelar el contrato con el proveedor X?». RAG recupera la cláusula de duración del contrato marco, una adenda posterior que la modifica y el correo de confirmación de la renovación. El modelo responde con el plazo vigente según la adenda y cita los tres documentos, de modo que quien pregunta puede comprobar por qué la respuesta no coincide con el contrato original.
Limitaciones y buenas prácticas
- Si no está en los documentos, no está en la respuesta: RAG no suple información que tu documentación no contiene.
- Documentación desactualizada: si conviven versiones antiguas y nuevas, la clasificación y los niveles de acceso ayudan a priorizar las vigentes.
- Verifica lo crítico: usa los enlaces a las fuentes y VERA antes de actuar sobre un dato importante.
RAG y datos estructurados
RAG responde sobre documentos. Para preguntas sobre bases de datos, RootNia utiliza NL-to-SQL. Si estás valorando usar un asistente generalista, revisa la comparativa con ChatGPT y Claude.
Preguntas frecuentes
¿Qué es RAG en pocas palabras?
Es dar al modelo de lenguaje los fragmentos relevantes de tus documentos junto con la pregunta, para que responda a partir de ellos y no solo de su conocimiento general.
¿RAG elimina las alucinaciones?
Las reduce, porque el modelo responde a partir de fuentes concretas, pero ningún sistema las elimina por completo. Por eso RootNia enlaza cada respuesta con sus fuentes y VERA permite verificar cada dato en el documento original.
¿Qué aporta RootNia frente a montar un RAG propio?
El orquestador mantiene las fuentes sincronizadas, el clasificador estructura los documentos por sector antes de la recuperación, el acceso se controla por niveles y cada recuperación queda registrada. Además puedes cambiar de LLM sin reconstruir el pipeline.