La IA de tu app es un extraterrestre con modales
Un modelo de lenguaje sabe muchísimo del mundo y absolutamente nada de tu empresa: no leyó tu reglamento, no conoce tus políticas de devolución, no sabe qué acordaste con el cliente Pérez. Si le preguntas directo, improvisará con lo más parecido que tiene: generalidades convincentes. RAG (Retrieval-Augmented Generation) es la solución de sentido común: no le pidas la respuesta; primero busca en TUS documentos el fragmento relevante, entrégaselo, y entonces que responda con tu material enfrente.
[Las cuatro etapas del RAG]
Esta actividad interactiva ('Explicacion visual') requiere el motor completo de Lumbre. El contenido estatico se muestra arriba; para la experiencia interactiva, visita la version online de este objeto.
Dónde se rompe un RAG malo
| Etapa | Falla típica | Se nota en… |
|---|---|---|
| Indexar | trocear mal: un pedazo corta una cláusula a la mitad, o PDFs con texto basura entran crudos | respuestas que mezclan dos secciones sin relación |
| Buscar | la pregunta usa otras palabras que el documento; el pedazo correcto nunca se recupera | «según la información disponible…» seguido de una generalidad |
| Aumentar | no se instruye «usa solo este material» → la IA rellena huecos con su cultura general | datos correctos mezclados con políticas inventadas |
| Responder | no exige fuentes → imposible auditar qué venía del documento y qué no | el cliente pregunta «¿dónde lo dice?» y no hay respuesta |
El prompt para construir tu primer RAG
Quiero un chatbot de soporte para mi app que responda SOLO con mis documentos\n(docs/: reglamento, preguntas frecuentes, politicas).\n\nImplementa RAG en las 4 etapas y explicame cada decision:\n1. INDEXACION: como troceas los documentos (tamano y solapamiento) y porque; como\n normalizas los PDFs. Los archivos sin texto util van a un reporte, no al indice.\n2. BUSQUEDA: para cada pregunta, recupera los 4 pedazos mas relevantes y muestra\n tambien el score de relevancia. Si el mejor score esta bajo umbral, responde\n "no tengo informacion sobre eso" en lugar de improvisar.\n3. AUMENTAR: plantilla final del prompt: pedazos + pregunta + instruccion explicita\n "usa SOLO el material; si no esta ahi, di que no esta; no agregues conocimiento propio".\n4. RESPUESTA: toda afirmacion debe citar el documento y seccion de origen.\n\nEntregame ademas 10 preguntas de prueba: 4 con respuesta en los docs, 3 con respuesta\nparcial, 3 que NO estan en los docs (ahi el chatbot debe negarse). Corre las 10 y\nmuestrame las respuestas con sus citas.Para reforzar
Por qué una IA alucina y cómo RAG lo reduce
La raíz del problema que RAG ataca: por qué el modelo inventa cuando no tiene el dato.
El pipeline RAG: del documento a la respuesta con fuente
El mismo flujo de 4 etapas en versión negocio, con diagnóstico por etapa.
Prueba
Un cliente pregunta por la garantía de un producto que NO está en tus documentos. El chatbot responde con una política de garantía convincente y sin citas. ¿En qué etapa está la falla raíz?
Un chatbot RAG bien implementado puede responder cualquier pregunta porque busca en todos tus documentos.
Detecta el RAG de pega
Un alumno presume su chatbot con IA sobre sus documentos. Señala la señal de que en realidad no hizo RAG:
- Los PDFs se normalizaron y los ilegibles quedaron en un reporte aparte.
- Cada respuesta incluye el documento y la sección de donde salió.
- Responde preguntas que nada tienen que ver con tus documentos… y con mucha seguridad.
- Hay 3 preguntas de prueba sin respuesta en los docs y el bot se niega en las tres.
Identifica la linea con error.
Reúne cinco documentos reales de tu proyecto (o inventa los de una tienda ficticia) y corre el experimento mental de las 10 preguntas: ¿cuáles respondería tu material, cuáles solo en parte, cuáles no existen? Ese papel es el borrador de tu suite de pruebas RAG antes del primer prompt.