Siete patrones de RAG más allá del chatbot básico y cuándo es adecuado cada uno.
Una guía práctica sobre los enfoques ingenuo, híbrido, correctivo, autorreflexivo, de múltiples saltos, gráfico y contextual en RAG: qué brecha cubre cada uno, sus componentes y cómo elegirlo.
Fuentes: Beyond the Chatbot: The Sophisticated Maturation of RAG Architectures
La generación mejorada por recuperación de información ha superado su fase experimental. Al principio consistía en insertar un PDF en una base de datos vectorial y pedirle a un chatbot que hiciera un resumen. Ahora la industria se dirige hacia sistemas de IA compuestos, en los cuales la recuperación de información forma parte de una arquitectura cognitiva en capas y no es un paso único. A escala empresarial, el enfoque simplista sigue fallando en términos de precisión, latencia y razonamiento multietapa, por lo que han surgido un conjunto de patrones especializados como respuesta. A continuación se presenta un mapa de esos patrones y una forma de elegir entre ellos.
Por qué los diseños siguen multiplicándose
El RAG básico divide los documentos en fragmentos fijos, los incrusta, selecciona los k mejores según la similitud coseno y se los entrega a un LLM. Esto es suficiente para FAQs simples. Falla con identificadores exactos, informes largos llenos de pronombres ambiguos, preguntas que abarcan varios documentos y dominios de alto riesgo donde las alucinaciones son inaceptables.
Cada variante más reciente aborda uno o más de estos problemas:
- Baja capacidad de recuperación con términos literales como IDs de políticas, números de pieza o referencias a secciones.
- Fragmentos ruidosos o fuera de tema que llegan al modelo.
- Falta de solución alternativa cuando el corpus interno no contiene respuesta alguna.
- Falta de verificación propia para determinar si la recuperación o generación está fundamentada.
- Imposibilidad de razonar a través de varios documentos en múltiples pasos.
- Pérdida del contexto a nivel de documento dentro de fragmentos pequeños.
La línea de base: RAG ingenuo
Este patrón sirve como punto de partida y ya reduce las alucinaciones en comparación con un modelo basado únicamente en información preexistente, al vincular las respuestas con el texto recuperado.
Los documentos se dividen en fragmentos de tamaño fijo, por ejemplo 512 tokens. Un modelo denso como bge-large o text-embedding-3-large los incrusta, y los vectores resultantes se almacenan en sistemas como Qdrant, Weaviate o Pinecone. Al realizar una consulta, el vector de la consulta se compara con los vectores de los fragmentos mediante similitud coseno, y los tres a cinco fragmentos más relevantes se envían junto con la pregunta al LLM.
Es adecuado para bases de conocimiento internas sobre un único tema, búsquedas simples en FAQs y prototipos donde la velocidad es más importante que la precisión. Las componentes habituales incluyen la división en fragmentos de tamaño fijo con poca o ninguna superposición, un único índice vectorial denso, sin reordenador o uno muy sencillo, y cualquier generador ajustado mediante instrucciones específicas.
Las debilidades son predecibles. Las búsquedas con palabras clave exactas y los acrónimos lo dificultan, los límites entre segmentos le hacen perder el contexto, y nada detecta una recuperación deficiente antes de que comience la generación.
Búsqueda híbrida con un reordenador mediante codificador cruzado
Un único índice denso pierde demasiada información cuando las consultas combinan significados vagos con identificadores literales como números de pólizas, IDs de secciones, SKU o citas de regulaciones. Los estudios de caso demuestran que la recuperación híbrida combinada con un reordenamiento neuronal supera a los métodos de una sola etapa en documentos mixtos de texto y tablas.
Dos perros de rastreo corren uno al lado del otro. Uno con léxico escaso, como BM25 o SPLADE, coincide con términos exactos. Otro de tipo semántico denso capta la similitud conceptual. Sus listas ordenadas se fusionan mediante Reciprocal Rank Fusion o un esquema ponderado calibrado. Los cincuenta a cien candidatos fusionados más destacados pasan luego a un reordenador de codificador cruzado, que evalúa conjuntamente cada par de consulta y fragmento y devuelve una lista más precisa de los cinco a diez mejores. Dichos fragmentos y la consulta llegan al LLM junto con los metadatos de citación.
Es adecuado para documentos de cumplimiento regulatorio donde son importantes las referencias exactas a secciones, manuales técnicos repletos de números de pieza y códigos de error, documentos financieros con tablas y preguntas numéricas precisas, y en general para cualquier sistema de producción donde la calidad de la recuperación determina la calidad de las respuestas. Los componentes típicos incluyen el segmentado fijo o semántico con metadatos, BM25 o SPLADE junto con un bi-encoder denso, fusión por RRF o aprendida, un cross-encoder como bge-reranker, Cohere Rerank o Jina Rerank, y un LLM de instrucciones que permite citaciones.
RAG correctivo
El objetivo aquí es evitar que un sistema responda con confianza basándose en fragmentos débiles o irrelevantes. Después de la recuperación se aplica una verificación de calidad, y existe una ruta alternativa cuando el corpus interno no es suficiente.
Después de la recuperación, un evaluador ligero califica los fragmentos en relación con la consulta y emite una etiqueta de confianza: correcto, ambiguo o incorrecto. A continuación, un enrutador toma una decisión: los resultados correctos pasan a la fase de generación. Los ambiguos provocan una reescritura de la consulta, una descomposición o otra estrategia de recuperación. Los incorrectos activan una búsqueda en la web u otra fuente externa, de modo que los fragmentos defectuosos nunca se utilizan.
El soporte al cliente es un entorno natural donde la falta de información no debe convertirse en invención. Otra situación similar es la documentación técnica actualizada con frecuencia pero que presenta lagunas. Lo mismo ocurre en cualquier ámbito donde una respuesta honesta de “no lo sé” acompañada de contexto obtenido de Internet es mejor que una respuesta errónea pero segura. Los componentes necesarios incluyen un sistema híbrido o un buscador eficiente, un pequeño clasificador o modelo que evalúe la relevancia, un enrutador basado en reglas o en modelos de lenguaje grande, una solución de respaldo como una API de búsqueda en Internet o un almacenamiento secundario, y un generador al que se le indica citar las fuentes y admitir la incertidumbre.
RAG autorreflexivo
Este diseño integra las tareas de búsqueda y verificación en el propio proceso de generación. El modelo aprende cuándo buscar información, si lo encontrado es relevante y si su propia respuesta cuenta con el respaldo de las pruebas disponibles.
Funciona como un bucle cíclico, impulsado por tokens especiales o prompts estructurados. El modelo decide si la consulta requiere recuperar información, evalúa la relevancia de los documentos obtenidos, escribe una respuesta basada en ellos, critica dicha respuesta en cuanto a su fundamentación y exhaustividad, y luego o la revisa o se niega a responder si la evidencia es insuficiente. El entrenamiento o los prompts lo incentivan a favorecer las afirmaciones respaldadas por evidencia y a señalar las declaraciones sin sustento.
Análisis de contratos legales y comparación de cláusulas. Lo mismo ocurre con resúmenes de informes médicos, pautas clínicas, auditorías y revisiones de cumplimiento que deben ser rastreables, así como en cualquier situación en la que una reclamación no respaldada resulte costosa. Los componentes incluyen un recuperador híbrido o específico del dominio, un generador entrenado o orientado para la autocrítica, opcionalmente un verificador externo que verifica las citaciones contra los fragmentos recuperados, y métricas de evaluación para la fundamentación, fidelidad y comportamiento de abstención.
RAG agente multi-hop y de subconsultas
Algunas preguntas no pueden responderse en una sola pasada de recuperación: comparar métricas entre empresas y años, rastrear dependencias entre documentos o reunir información de varios departamentos.
Un agente recibe la consulta compleja y la divide en varias subconsultas. Cada una se ejecuta contra el sistema de recuperación de información, ya sea en secuencia o en paralelo. Luego el agente armoniza las contradicciones, fusiona las pruebas y redacta una respuesta final; puede volver a iterar si los resultados intermedios revelan lagunas.
Los usos típicos incluyen comparar los informes 10-K con las conferencias de resultados, analizar políticas a través de diferentes documentos, investigaciones que abarcan varios departamentos de una gran empresa, y asistentes de investigación que agrupan hallazgos provenientes de múltiples fuentes. El sistema necesita un agente planificador que descomponga las consultas, uno o más índices con alcances posiblemente diferentes, memoria a corto plazo para los resultados intermedios, un sintetizador que fusione las subrespuestas y, opcionalmente, una etapa para verificar la coherencia entre ellas.
GraphRAG
La recuperación de fragmentos planos no detecta las relaciones que abarcan varios enlaces, como la conexión de cuentas sospechosas en labores contra el lavado de dinero, el seguimiento de un camino clínico o la comprensión de una cadena de suministro compleja.
Un LLM o un pipeline de extracción identifica entidades y relaciones en los documentos. Estas se ingresan en un grafo de conocimiento, ya sea en Neo4j o en una estructura en memoria. A continuación, las consultas recorren el grafo para encontrar conexiones de varios saltos, por ejemplo, que una entidad determinada trata una condición específica en una clínica concreta. Los subgrafos recuperados se combinan con fragmentos de texto y se envían al LLM.
Se utiliza en la detección de fraudes y el cumplimiento de normativas contra delitos financieros, en el soporte para la toma de decisiones clínicas, en el mapeo organizacional o de cadenas de suministro, y en cualquier área donde los vínculos entre entidades son tan importantes como el texto en sí. Los componentes básicos son un extractor de entidades y relaciones, un almacén de grafos como Neo4j, NetworkX o una base de datos de grafos gestionada, un sistema de recuperación que combina el recorrido de los grafos con una búsqueda vectorial opcional de las descripciones de los nodos, y un generador que tiene en cuenta tanto el contexto textual como el gráfico.
Fragmentación contextual o tardía
Un fragmento separado de su entorno puede perder su significado. Una oración como “Los ingresos aumentaron un 15 por ciento” no indica qué empresa, año o segmento se está describiendo.
La solución consiste en que un LLM añada cincuenta a cien tokens de contexto del documento completo al principio de cada fragmento antes de su incrustación. Ese encabezado puede contener el título del documento, la sección, el año fiscal, el nombre de la entidad y otros metadatos clave. Cada fragmento enriquecido se incrusta e indexa, de modo que los fragmentos recuperados llegan con su contexto y el generador tiene que adivinar menos.
Esto resulta útil con informes PDF extensos que contienen tablas, figuras y pronombres ambiguos, estados financieros plurianuales y documentos regulatorios, así como estándares técnicos con patrones de secciones repetitivos. En resumen, cualquier corpus en el que frases como “la empresa”, “esta condición” o “ellos” aparezcan sin un referente local claro. Los componentes incluyen un fragmentador, ya sea impulsado por LLM o basado en reglas, que agrega los encabezados; un recuperador híbrido o denso; un reordenador opcional con codificador cruzado; y un generador capaz de utilizar los tokens de contexto adicionales.
Elegir un patrón
Considere lo siguiente como punto de partida y luego ajuste según los resultados de la evaluación.
- Búsqueda interna simple y prototipos: utilice el RAG tradicional.
- Sistemas de producción, especialmente con términos exactos y tablas: opte por una búsqueda híbrida con reordenamiento mediante codificador cruzado.
Los sistemas maduros suelen combinar varios de estos elementos. Una solución sólida y común en 2026 combina la recuperación híbrida con fusión RRF, reclasificación mediante codificador cruzado y fragmentado contextual, además de una solución correctiva para consultas de baja confianza.
Lecturas relacionadas
- Por qué RAG no es suficiente: Una capa semántica para consultas de gráficos, SQL y vectores — RAG falla con preguntas empresariales de múltiples pasos, numéricas o ambiguas. Una capa semántica se encarga de la descomposición, el enrutamiento y el mapeo de esquemas, con Apache Ossie para garantizar portabilidad.
- De la demostración a RAG en producción: Fragmentación, pgvector, reclasificación y FastAPI — Qué contiene realmente un backend de RAG en producción: procesamiento ETL y fragmentación, embeddings en pgvector, índices HNSW, reclasificación mediante cross-encoder y un orquestador FastAPI.