Qué es RAG y por qué importa

RAG (Retrieval-Augmented Generation) es una de las técnicas más útiles para construir aplicaciones de IA fiables. La idea es sencilla: en lugar de confiar solo en lo que el modelo "recuerda", le damos contexto recuperado de tus propios datos antes de que responda.

El problema

Un modelo de lenguaje no conoce tus documentos internos ni la información que cambia cada día. Si le preguntas por ellos, se lo inventa (alucina). RAG resuelve esto buscando la información relevante y pasándosela al modelo.

Cómo funciona RAG

1. Embeddings: conviertes tus textos en vectores numéricos.
2. Recuperación: ante una pregunta, buscas los fragmentos más parecidos.
3. Generación: el modelo responde usando solo ese contexto recuperado.

Un ejemplo mínimo

from openai import OpenAI
 
client = OpenAI()
 
def answer(question: str, context: str) -> str:
    prompt = f"Responde solo con el contexto.\n\nContexto:\n{context}\n\nPregunta: {question}"
    res = client.chat.completions.create(
        model="gpt-4o-mini",
        messages=[{"role": "user", "content": prompt}],
    )
    return res.choices[0].message.content

El truco está en context: ahí va lo que recuperaste de tus datos, no todo internet.

Cuándo usarlo

Usa RAG cuando necesites respuestas ancladas en información específica y verificable (documentación, catálogos, normativa). Si solo necesitas redacción genérica, quizá no haga falta. La regla de oro: menos alucinación, más control.