La generación aumentada por recuperación (RAG) es una técnica en la que un modelo de lenguaje responde usando documentos recuperados de tus propios datos en el momento de la consulta, en vez de basarse solo en lo que aprendió durante el entrenamiento. Un pipeline de RAG de producción es el sistema diseñado a su alrededor — ingesta, fragmentación, embeddings, un almacén vectorial, recuperación y barreras de seguridad — construido para funcionar de forma fiable y no como una demo.
RAG es la forma en que un asistente responde preguntas sobre tu contenido concreto — una biblioteca de políticas, un catálogo de productos, un conjunto de documentación — con citas y sin reentrenar un modelo. La diferencia entre una demo de fin de semana y la producción es todo lo que rodea al modelo: cómo se fragmentan los documentos, cómo se ajusta la recuperación al corpus real, cómo se fundamentan y se evalúan las respuestas, y cómo se observa todo el conjunto cuando se desvía.
Construimos esto sobre Cloudflare (Vectorize, Workers AI, D1) con arneses de evaluación conectados al despliegue, de modo que una regresión falla de forma sonora en lugar de degradarse en silencio.
— Lecturas relacionadas
— Más definiciones
¿Quieres construirlo o repararlo como es debido?
Cuéntanos en dos párrafos en qué estás trabajando — respondemos por escrito en un día hábil, con una respuesta directa sobre si podemos ayudarte.