RAG (Retrieval-Augmented Generation)

Arquitectura que combina recuperación de información relevante con la capacidad generativa de un LLM.

RAG ArchitectureLLMContext InjectionGrounding

Definición Técnica & Formal

RAG extiende el conocimiento de un LLM consultando dinámicamente una base de conocimiento externa (generalmente mediante búsqueda vectorial) para inyectar contexto fresco, verídico y privado dentro del prompt antes de generar la respuesta.

Puntos Clave & Aplicaciones

Elimina alucinaciones al fundamentar las respuestas en documentos reales (Grounding).

Permite actualizar el conocimiento del sistema sin necesidad de re-entrenar (fine-tuning) el modelo.

Componentes principales: Chunking, Embedding, Vector Store, Retrieval, Prompt Augmentation, LLM Generation.

Intuición Visual para Mente Gráfica

"Un estudiante que rinde un examen a libro abierto: en lugar de memorizar todo, busca el capítulo correcto en el libro y redacta la respuesta perfecta."

💡 Tip: Puedes presionar el botón "Dibujar / Apuntes" en la barra superior para hacer anotaciones gráficas sobre este diagrama.

Demostración Visual e Interactiva

Interactúa con los controles para simular dinámicamente el funcionamiento de RAG (Retrieval-Augmented Generation).

Visualizador de la Arquitectura "RAG (Retrieval-Augmented Generation)"

Un estudiante que rinde un examen a libro abierto: en lugar de memorizar todo, busca el capítulo correcto en el libro y redacta la respuesta perfecta.

Categoría: Modelos & Representación

Ejemplo de Código & Demostración

python

def rag_pipeline(user_query, vector_db, llm):
    # 1. Recuperación
    context_chunks = vector_db.search(user_query, top_k=3)
    context_str = "\n".join(context_chunks)
    
    # 2. Generación Aumentada
    prompt = f"Basándote en este contexto:\n{context_str}\n\nResponde a: {user_query}"
    response = llm.generate(prompt)
    return response

💡 Flujo fundamental de un pipeline RAG en 2 pasos principales.

Conceptos Relacionados

Búsqueda Vectorial (Vector Search)

Localización de datos basada en similitud semántica en un espacio multidimensional usando vectores de características.

LLM Model Dimensiones & Embeddings

La longitud o número de números flotantes (D) que componen el vector de representación de un modelo de IA.

Solapamiento (Chunk Overlapping)

Técnica de fragmentación de texto donde los bloques consecutivos comparten un porcentaje de palabras límite para no perder contexto.