Términos

Generación aumentada por recuperación (RAG)

La generación aumentada por recuperación es un método que obtiene información relevante de fuentes externas a los datos de entrenamiento del modelo para proporcionar contexto de apoyo a la generación. Los materiales relacionados muestran su uso en la búsqueda semántica, las bases de conocimiento, las aplicaciones de agentes y la búsqueda en documentos y bases de código.

La generación aumentada por recuperación (RAG) es un método que obtiene información relevante de fuentes externas a los datos de entrenamiento del modelo y después la proporciona como contexto de apoyo para el proceso de generación.

¿Cómo se utiliza?

  • Búsqueda semántica y recuperación de información de documentos.
  • Compatibilidad con bases de conocimiento basadas en recuperación y generación.
  • Provisión de contexto a agentes de inteligencia artificial antes de la generación o la inferencia.
  • Búsqueda en bases de código, archivos y contenido multimodal.

Importancia de la calidad de la recuperación

La calidad de una aplicación RAG no depende únicamente del texto final. El error puede deberse a la selección de una base de datos incorrecta, a la recuperación de documentos irrelevantes o a la aplicación de un filtro de alcance inadecuado. Por ello, los materiales recomiendan realizar un seguimiento de las búsquedas, los datos recuperados, la reclasificación y las herramientas invocadas, y después evaluar el recorrido completo desde la recuperación hasta la generación.

Filtrado y alcance

Los filtros de metadatos pueden aplicarse antes de la búsqueda por similitud para limitar los resultados a un inquilino, categoría, estado o alcance determinados. AWS señala que este enfoque está dirigido a aplicaciones como RAG y la búsqueda en documentos, especialmente cuando la colección requerida representa una pequeña parte del índice.

RAG dentro de un flujo de trabajo más amplio

RAG puede integrarse con otras herramientas del mismo sistema. Según el material publicado en GitHub, el agente puede utilizar MCP para acceder a herramientas y datos, seguir Skills para aplicar instrucciones específicas del proyecto y recurrir a RAG para obtener contexto de apoyo. Los materiales no proporcionan pruebas de que alguno de estos componentes elimine la necesidad de los demás.

Evaluación y operación

  • Evaluación del recorrido completo: probar la recuperación y la generación, y verificar los resultados, no solo la llamada al modelo.
  • Seguimiento de los componentes: vincular la versión con el índice, el modelo de embeddings, la configuración de recuperación, las indicaciones y los ajustes de operación.
  • Diversificación de las pruebas: incluir preguntas habituales, fallos anteriores, casos ambiguos y casos que carezcan de evidencia.
  • Combinar métricas: utilizar comprobaciones deterministas cuando existan reglas claras, junto con revisión humana o evaluación semántica cuando el juicio sea difícil de reducir a una regla.

Límites de lo que puede inferirse

Los resultados limitados o los juicios de un modelo lingüístico por sí solos no bastan para demostrar la calidad de una aplicación RAG en todos los casos. Además, la idoneidad de cualquier modelo de recuperación o índice depende del tipo de datos, la precisión de recuperación requerida, las limitaciones del hardware y los resultados de pruebas independientes. Los materiales proporcionados tampoco incluyen una clasificación general de las soluciones RAG ni una comparación exhaustiva entre ellas.