Los flujos de trabajo de generación aumentada por recuperación (RAG) ahorran tiempo al permitir que un modelo de lenguaje responda desde sus propios documentos en lugar de hacerlo de memoria. Un sistema RAG busca pasajes relevantes en una base de conocimientos, los pasa al modelo junto con la pregunta y solicita una respuesta basada en esos pasajes, idealmente con citas. Para los equipos de marketing, esto convierte las directrices de marca, las especificaciones de productos, las campañas pasadas y la investigación en algo que las personas pueden consultar en segundos.
¿Qué problema resuelve RAG?
Los modelos de lenguaje saben mucho sobre el mundo y nada sobre la lista de precios más reciente de su empresa. Ajustar un modelo con documentos internos es lento y no maneja bien las actualizaciones frecuentes. RAG mantiene el conocimiento fuera del modelo, en un almacén que se puede buscar, por lo que actualizar un documento actualiza las respuestas.
También reduce las respuestas inventadas. Cuando se le dice al modelo que responda solo a partir de los pasajes recuperados y que diga cuándo no se encontró nada relevante, inventa menos. No nunca, por lo que la evaluación es importante.
¿Cuáles son las partes de un flujo de trabajo RAG?
- Recopilación de documentos: los archivos y páginas que el sistema debe conocer.
- Preparación: limpieza, conversión a texto, eliminación de duplicados y versiones obsoletas.
- Fragmentación (Chunking): dividir documentos en pasajes lo suficientemente pequeños para recuperarlos con precisión.
- Embedding: convertir cada pasaje en un vector con un modelo de embedding.
- Almacenamiento: una base de datos vectorial o índice de búsqueda, como pgvector, Pinecone, Weaviate, Elasticsearch o Azure AI Search.
- Recuperación: encontrar los pasajes más relevantes para una pregunta, a menudo mezclando búsqueda por palabras clave y vectorial.
- Generación: el modelo escribe la respuesta a partir de esos pasajes, con referencias.
Los servicios gestionados agrupan muchos de estos pasos. La búsqueda de archivos en las API de Assistants y Responses de OpenAI, Google Vertex AI Search, Amazon Bedrock Knowledge Bases y Azure AI Search con Azure OpenAI manejan el chunking y la recuperación por usted. Para un primer proyecto, una opción gestionada suele ser más rápida.
Un flujo de trabajo paso a paso para una base de conocimientos de marketing
Paso 1: Elija un alcance limitado
Comience con un tipo de pregunta, como “¿qué podemos decir sobre el producto X en los anuncios?”. Recopile solo los documentos que la respondan: especificaciones de productos, afirmaciones aprobadas, directrices de marca y notas legales. Una colección pequeña y limpia es mejor que una enorme y desordenada.
Paso 2: Limpie los documentos
Elimine versiones antiguas o al menos etiquételas con fechas. Convierta los PDF a texto y verifique que las tablas se hayan transferido correctamente. Los documentos escaneados necesitan OCR. Este paso es aburrido y decide la mayor parte de la calidad.
Paso 3: Fragmentar por significado
Divida por encabezados o secciones en lugar de por un número fijo de caracteres siempre que sea posible. Mantenga cada fragmento enfocado en una idea y adjunte metadatos: título del documento, sección, fecha, producto e idioma. Los metadatos le permiten filtrar la recuperación, por ejemplo, solo para documentos actuales.
Paso 4: Recuperar con búsqueda híbrida
La búsqueda vectorial pura pierde términos exactos como códigos de producto. La búsqueda por palabras clave pura pierde paráfrasis. La mayoría de los sistemas de producción combinan ambos y luego vuelven a clasificar los mejores resultados con un modelo de re-ranking. Recupere más de lo que necesita y luego quédese con los mejores.
Paso 5: Solicitar respuestas fundamentadas
Dé al modelo reglas claras: responda solo a partir de los pasajes proporcionados, cite el título del pasaje para cada afirmación, diga “no encontrado en los documentos” cuando falte la respuesta y nunca adivine precios o fechas. Ponga las reglas en el prompt del sistema para que los usuarios no puedan eliminarlas por accidente.
Paso 6: Muestre las fuentes al usuario
Muestre los pasajes citados junto a la respuesta con enlaces al archivo original. Las personas confían más en la respuesta y detectan errores más rápido cuando la fuente está a un clic de distancia.
¿Cómo sabe si el sistema RAG funciona?
Cree un conjunto de prueba de 50 a 100 preguntas reales con respuestas correctas conocidas y el documento del que proviene cada respuesta. Mida dos cosas por separado. Calidad de recuperación: ¿apareció el pasaje correcto en los mejores resultados? Calidad de respuesta: ¿fue la respuesta final correcta y respaldada por el pasaje?
Separar ambos muestra dónde solucionar los problemas. Si la recuperación falla, ajuste el chunking, los metadatos o la configuración de búsqueda. Si la recuperación funciona pero las respuestas son incorrectas, ajuste el prompt o el modelo. Herramientas como Ragas y evaluadores de código abierto similares pueden automatizar partes de esto, pero haga que las personas verifiquen una muestra.
Cómo aplica Alien Road RAG en el trabajo con clientes
En un compromiso típico, nuestro equipo de AI Optimization comienza entrevistando a las personas que responden preguntas internas con más frecuencia, por ejemplo, el gerente de marca o el comercializador de productos, y recopilando las preguntas que reciben cada semana. Esas preguntas se convierten en el conjunto de prueba.
Luego recopilamos y limpiamos los documentos fuente, elegimos un servicio de recuperación gestionado o una canalización personalizada según las reglas de datos, y construimos una interfaz simple dentro de una herramienta que el cliente ya usa, como Teams, Slack o la intranet. Las respuestas siempre muestran las fuentes.
La medición cubre la tasa de aciertos de recuperación y la precisión de las respuestas en el conjunto de prueba, el uso semanal y las preguntas que devolvieron “no encontrado”, lo que apunta a documentos faltantes. Los informes mensuales enumeran las actualizaciones de documentos realizadas y el cambio en las puntuaciones.
¿Qué errores ralentizan los proyectos RAG?
La mayoría de los retrasos provienen de los mismos pocos hábitos. Los equipos cargan todos los documentos que poseen el primer día y luego no pueden decir por qué las respuestas son pobres. Se saltan el conjunto de prueba y discuten sobre impresiones. Eligen una base de datos vectorial antes de saber cuántos documentos tienen, cuando un servicio gestionado bastaría. Y olvidan los permisos: si una presentación de ventas está restringida en SharePoint, el sistema RAG debe respetar esa restricción, o los precios confidenciales terminan en una respuesta para la persona equivocada.
- Comience con una colección, no con todas.
- Escriba el conjunto de prueba antes de elegir herramientas.
- Lleve los permisos de documentos a los filtros de recuperación.
- Registre cada pregunta y respuesta para su revisión.
¿Cómo lo mantiene actualizado?
Los sistemas RAG decaen cuando los documentos cambian y nadie los vuelve a indexar. Configure la sincronización automática desde la carpeta de origen, como SharePoint o Google Drive, y asigne a cada colección un propietario que la revise trimestralmente. Elimine campañas caducadas y listas de precios antiguas en lugar de dejarlas para que el recuperador las encuentre.
Por dónde empezar esta semana
Enumere las diez preguntas que su equipo responde repetidamente a partir de documentos. Recopile los archivos que contienen las respuestas en una carpeta, elimine las versiones obsoletas y pruebe una opción de búsqueda de archivos gestionada con esas diez preguntas. Si al menos siete respuestas regresan correctas con la fuente correcta, tiene un alcance sobre el cual vale la pena construir.
Siga leyendo: Optimización con IA · Optimización con IA