Retrieval-augmented generation (RAG)

Un patrón donde se recuperan pasajes relevantes de una fuente de conocimiento y se ponen en el prompt para que el modelo responda a partir de ellos.

Última actualización: 9 de noviembre de 2026 · Versión en markdown

← Volver al glosario

Cómo aplicarlo en prompts

Usá este concepto para reducir ambigüedad y mejorar consistencia. Si tu output necesita formato estricto, combiná esto con una guía de JSON y un template por modelo.

Guías relacionadas:Prompts para Perplexity: respuestas respaldadas por la web Ingeniería de contexto: cómo estructurar lo que le das a una IA para mejores resultados Cómo depurar un prompt que da resultados malos

Términos relacionados:Alucinaciones Ventana de contexto

JSON estricto Modelos Packs

Qué significa

Definición: en vez de apoyarse en lo que el modelo memorizó al entrenarse, un sistema primero busca en tus documentos (o en la web), elige los pasajes más relevantes y los inserta en el prompt como contexto.
Por qué importa: la respuesta puede usar información actual o privada que el modelo nunca vio, y podés mostrar qué pasaje respalda cada afirmación, lo que facilita detectar errores.
Cómo aplicarlo: rotulá los pasajes recuperados, pedile al modelo que responda solo con ellos, que diga cuando no contienen la respuesta y que cite qué pasaje usó. Mantené los pasajes cortos y relevantes — más texto no es mejor.
Error común: asumir que la recuperación elimina el problema. Si la búsqueda trae los pasajes equivocados, el modelo responde con seguridad desde el material equivocado, así que probá la recuperación por separado de la generación.

Ejemplo copy-paste

Respondé la pregunta usando solo los pasajes numerados de abajo.
Citá el número de pasaje después de cada afirmación, como [2].
Si los pasajes no contienen la respuesta, decilo y frená.

<pasajes>
[1] [pegá el pasaje]
[2] [pegá el pasaje]
</pasajes>

Pregunta: [pregunta]

Se abre en el analizador con el prompt precargado.

Abrir en Promptea

Preguntas frecuentes

¿RAG es lo mismo que fine-tuning?

No. El fine-tuning cambia los pesos del modelo; RAG deja el modelo como está y cambia lo que lee en el prompt. RAG es la forma habitual de darle datos nuevos o privados a un modelo.

¿Los asistentes con búsqueda usan RAG?

Siguen la misma idea: buscar primero y responder con lo encontrado mostrando fuentes. Modelos como los de Perplexity lo hacen de forma nativa, así que tu prompt debe sembrar una buena búsqueda en vez de pegar las fuentes.