Un modelo de lenguaje sabe mucho del mundo, pero no sabe nada de tu empresa: tus manuales, tus políticas, tus productos. Y si le preguntas por algo que no sabe, puede inventar una respuesta que suena convincente. RAG (Retrieval-Augmented Generation) resuelve las dos cosas. La idea En lugar de esperar que el modelo "se sepa" tu información, se la das en el momento de la pregunta: 1. Indexas tus documentos: los divides en fragmentos y los conviertes en embeddings (vectores numéricos que capturan el significado). 2. Cuando llega una pregunta, buscas los fragmentos más parecidos a esa pregunta. 3. Le pasas al LLM la pregunta junto con esos fragmentos y le pides que responda usándolos. El modelo ya no adivina: responde a partir de un contexto real que tú controlas. Y puedes pedirle que cite de dónde salió cada dato. El patrón en Python python 1. Indexado (una vez): fragmentos - embeddings - base vectorial (con librerías como sentence-transformers + FAISS, o un servicio gestionado) 2. En cada pregunta: recuperar los fragmentos relevantes fragmentos = basevectorial.buscar(pregunta, k=4) contexto = "\n\n".join(fragmentos) 3. Generar la respuesta con el contexto from anthropic import Anthropic client = Anthropic() resp = client.messages.create( model="claude-opus-4-8", maxtokens=1024, system="Responde SOLO con la información del contexto. Si no está, dilo.", messages=[{ "role": "user", "content": f"Contexto:\n{contexto}\n\nPregunta: {pregunta}", }], ) print(resp.content[0].text) Fíjate en la instrucción del system: pedirle que responda solo con el contexto y que admita cuando no sabe es lo que reduce drásticamente las alucinaciones. ¿Para qué sirve? - Asistentes de soporte que responden con tu documentación real. - Búsqueda interna en lenguaje natural sobre tus manuales o wikis. - Onboarding: un chatbot que conoce tus procesos. Detalles que marcan la diferencia - Cómo divides los documentos (chunking) afecta mucho a la calidad. - Buenos embeddings y una base vectorial adecuada importan más que el modelo. - Citar las fuentes genera confianza y permite verificar. RAG es hoy una de las formas más rentables de aplicar IA en un negocio: no reentrenas nada, y el asistente mejora con solo actualizar tus documentos. ¿Quieres un asistente con tus datos? En Xiliux construyo sistemas RAG en Python de principio a fin. Cuéntame qué información quieres poner a trabajar: contacto.