16 arquitecturas RAG comparadas: ¿Qué patrón se adapta a qué problema?

Los chatbots que afirman hechos inventados, olvidan todo lo que ocurrió entre mensajes o no logran encontrar el documento adecuado suelen padecer del mismo problema fundamental: un pipeline de recuperación diseñado de forma demasiado simple para la tarea. Existen dieciséis arquitecturas RAG, que van desde el pipeline de recuperación más simple hasta sistemas federados que preservan la privacidad, y cada una soluciona una debilidad específica. A continuación se explica qué es cada una, cuándo es adecuada y qué la diferencia de las demás.

Los tres problemas detrás de RAG

Los modelos de lenguaje grandes son impresionantes, pero tres defectos básicos los hacen poco fiables en aplicaciones reales.

Primero, la alucinación. Un modelo afirma información falsa con confianza, y no ocasionalmente sino de forma regular, porque no tiene conciencia de lo que no sabe. Segundo, el corte de conocimiento: cada modelo se congela al final de su entrenamiento y no sabe nada de lo que ocurrió después. Tercero, la ceguera ante los datos privados. Los documentos internos, las bases de datos de productos y los contratos de clientes nunca formaron parte de su entrenamiento.

RAG aborda los tres problemas al proporcionarle al modelo una hoja de referencia con documentos reales antes de que responda. Compare estos dos comportamientos. Sin recuperación de información:

Without RAG:
  User: "What's our refund policy?"
  LLM:  "I believe you offer a 14-day return..." (guessing)

Y con ello:

With RAG:
  User: "What's our refund policy?"
  → Step 1: Search internal docs → Finds: "Refunds within 30 days..."
  → Step 2: LLM reads the doc and answers accurately
  LLM:  "Your refund policy allows returns within 30 days..."

El concepto es sencillo y los resultados son sólidos, aunque el sistema se vuelve más complicado a medida que aumentan los casos de uso. El proceso de cuatro pasos que subyace a cada variante es indexar, recuperar, enriquecer y generar.

Dieciséis patrones en cuatro niveles

Al clasificar los patrones según su impacto en el mundo real se obtienen cuatro niveles. El primero abarca lo que necesitan aproximadamente el 80% de los sistemas en producción, mientras que los niveles posteriores abordan problemas especializados.

Nivel 1: esencial conocerlo

1. RAG estándar, la base

Dificultad: principiante. Es ideal al comenzar. Cada proyecto RAG empieza aquí, y el enfoque consta de cuatro etapas:

1. Indexar: dividir los documentos en fragmentos, convertirlos en embeddings y almacenarlos en una base de datos vectorial.
2. Recuperar: convertir la consulta del usuario en un embedding y buscar fragmentos similares.
3. Enriquecer: incluir los fragmentos recuperados en el prompt.
4. Generar: el LLM responde a partir de ese contexto real.

El bucle central cabe en unas diez líneas:

# The core loop in ~10 lines
query_embedding = embed(user_query)
relevant_docs = vector_store.search(query_embedding, top_k=5)
context = "\n".join(relevant_docs)
prompt = f"Answer using this context:\n{context}\n\nQuestion: {user_query}"
answer = llm.generate(prompt)

Es sencillo, maneja la mayoría de los casos de uso reales, y todo lo demás se basa en él. Úsalo al crear un bot de respuestas a preguntas a partir de documentos corporativos, PDFs, tickets de soporte o cualquier base de conocimientos estática.

2. RAG híbrido: el mayor mejoramiento en calidad

Dificultad: principiante. Es ideal cuando importa la calidad de la recuperación de información. La búsqueda semántica mediante embeddings no encuentra coincidencias exactas de palabras clave, y la búsqueda por palabras clave con BM25 ignora el significado, por lo que la recuperación híbrida utiliza ambos métodos.

User: "React useState hook"
→ Semantic search finds: "state management in React components"
→ BM25 finds: docs with exact string "useState"
→ Hybrid (RRF fusion): gets the best of both

La Fusión de Rangos Recíprocos (RRF) combina las dos listas ordenadas sin necesidad de normalizar sus puntuaciones, lo que la hace elegante y eficaz. Muchos equipos reportan mejoras en la precisión de entre el 10 y el 20 por ciento solo con este cambio. Es adecuada para cualquier sistema de producción, especialmente para la documentación de código, manuales técnicos y documentos legales, donde tanto los términos exactos como su significado son importantes.

3. Recuperación Contextual RAG, diseñada para el diálogo

Dificultad: intermedia. Úsela una vez que aparezcan preguntas de seguimiento. Un error común ocurre cuando alguien pregunta sobre el plan Premium y luego pregunta cuánto cuesta. El RAG estándar busca frases como “cuánto cuesta” y no encuentra nada útil. Esta variante reescribe la consulta utilizando el historial de la conversación antes de realizar la búsqueda.

User turn 1: "Tell me about the Premium plan"
User turn 2: "How much does it cost?"

Before search, rewrite → "How much does the Premium plan cost?"
Now retrieve → finds the pricing document ✓

Ese paso de reescritura, a menudo denominado contextualización de consultas, es esencial en cualquier chatbot de múltiples turnos, ya que la conversación se desintegra en el momento en que alguien utiliza un pronombre. Es necesario si los usuarios pueden hacer preguntas adicionales.

Nivel 2: ventaja competitiva

4. Agentic RAG, la tendencia del 2025 y 2026

Dificultad: intermedia. Es ideal cuando su bot necesita hacer más que simplemente buscar información. El RAG estándar solo obtiene documentos, mientras que el agentic RAG proporciona al modelo un conjunto de herramientas y le permite elegir entre ellas.

User: "What was NVDA's stock return last quarter vs its historical average?"

Agentic RAG decides:
  → Use web_search tool for current stock data
  → Use calculator tool for return calculation
  → Use document_retrieval tool for historical reports
  → Synthesize all three into one answer

El agente sigue el patrón ReAct, razonando y actuando: piensa en qué hacer, lo hace, observa el resultado y vuelve a pensar. Eso equivale a planificar y recuperar información en un bucle. Es adecuado para asistentes financieros, herramientas de investigación y herramientas para desarrolladores, dondequiera que haya varias fuentes de datos o información en tiempo real.

5. Self-RAG, para cuando los errores son inaceptables

Dificultad: avanzada. Es la mejor opción cuando la precisión es crucial para la misión. El control de calidad está integrado en el propio proceso, y el sistema no responde de forma automática tras la recuperación de información. Pasan por cuatro filtros: el filtro de recuperación determina si realmente es necesaria para esa consulta; el filtro de relevancia verifica si el documento obtenido es realmente relevante; el filtro de fidelidad comprueba si la respuesta se ajusta a los hechos recuperados; y el filtro de utilidad evalúa si la respuesta es útil. Si falla alguno de estos filtros, el sistema vuelve a buscar información, la modifica o se niega a responder. Los sistemas médicos, la IA legal y los asesores financieros son aplicaciones ideales, en cualquier lugar donde una respuesta errónea pueda causar daños reales.

6. HyDE RAG, el puente léxico

Dificultad: avanzada. Es la mejor opción cuando los usuarios hablan de manera diferente a la de tus documentos. HyDE es la abreviatura de Hypothetical Document Embeddings. Imagina que un usuario pregunta por qué las cosas caen mientras los documentos hablan sobre la aceleración gravitacional de 9,81 m/s². Los dos casi no comparten vocabulario, por lo que una búsqueda con embeddings probablemente fallará. El truco de HyDE es generar primero una respuesta falsa y buscar con ella.

User: "Why do things fall down?"
→ LLM generates hypothesis: "Objects fall due to gravitational force..."
→ Search with the hypothesis (technical vocabulary)
→ Find the actual document about gravitational acceleration
→ Answer using the real document

No se necesita entrenamiento y funciona de inmediato con cualquier LLM. Es adecuado para productos orientados al consumidor donde los usuarios casuales consultan documentación técnica.

Nivel 3: especialistas de alto impacto

7. Graph RAG, para razonamiento relacional

Dificultad: intermedia. Es ideal cuando se necesita responder cómo X se relaciona con Y. La búsqueda vectorial encuentra documentos similares, pero no puede responder a preguntas como cuáles empresas están vinculadas a una persona determinada a través de al menos dos miembros del consejo, lo cual requiere un recorrido por el grafo. Graph RAG crea un grafo de conocimiento a partir de los documentos, con entidades como nodos y relaciones como aristas, y las consultas recorren ese grafo.

Text: "Dr. Chen collaborated with Dr. Patel on a 2022 study funded by NIH."

Graph nodes: Dr. Chen, Dr. Patel, 2022 study, NIH
Graph edges: COLLABORATED_WITH, FUNDED_BYQuery: "Who funded Dr. Chen's work?" → traverse: Chen → study → NIH

La conformidad legal, la gestión del conocimiento, la literatura científica y las redes organizativas se benefician al máximo.

8. RAG con memoria ampliada, un bot que se acuerda de usted

Dificultad: intermedia. Es ideal cuando un chatbot debe conocer a sus usuarios a lo largo de las sesiones. Con un bot estándar, cada conversación comienza desde cero. Esta variante añade tres tipos de memoria: memoria de conversación para la charla actual, memoria semántica para datos sobre el usuario, como su preferencia por explicaciones técnicas, y memoria episódica para sesiones anteriores, como una pregunta sobre algún tema realizada hace dos semanas.

user_profile = memory.get_user_facts(user_id)
recent_context = memory.get_recent_conversations(user_id, k=3)
answer = rag_with_context(query, user_profile, recent_context)
memory.update(user_id, query, answer)

Las aplicaciones de tutoría, los bots de éxito del cliente y los asistentes de productividad personal son los que más benefician.

9. RAG modular: cambiar cualquier parte sin tener que reescribir

Dificultad: intermedia. Es ideal cuando se necesita iterar rápidamente. Se trata de una filosofía arquitectónica en la que cada componente del pipeline puede intercambiarse de forma independiente. Pasar de FAISS a ChromaDB solo requiere una línea de código, y probar A/B entre BM25 y métodos de recuperación densa no necesita refactorización alguna.

Standard RAG:   [fixed retriever] → [fixed reranker] → [fixed LLM]

Modular RAG:    [pluggable retriever] → [pluggable reranker] → [pluggable LLM]
                     ↑ swap anytime         ↑ swap anytime        ↑ swap anytime

El público al que va dirigido son los equipos que experimentan activamente, investigan configuraciones y cualquier proyecto cuya tecnología esperan que evolucione.

10. RAG específico del dominio, creado para una industria

Dificultad: avanzada. Úsala para medicina, derecho o finanzas. La abreviatura MI significa ataque al corazón para un cardiólogo, pero un chatbot que carece de conocimiento especializado la interpreta como el estado de Michigan. El RAG genérico falla en campos especializados, y no porque la recuperación de información sea incorrecta. El sistema simplemente no comprende el jerga, los requisitos regulatorios ni las restricciones de seguridad. Tres elementos marcan la diferencia: un vocabulario específico del campo con términos, abreviaturas y sinónimos propios; reglas de cumplimiento como incluir advertencias y citar fuentes en cada ocasión; y medidas de seguridad, como negarse a sugerir dosis específicas y dirigir al usuario a un profesional. Los usos típicos incluyen el soporte para la toma de decisiones clínicas, la investigación jurídica, el análisis financiero y la supervisión del cumplimiento.

11. RAG mejorado: tres fuentes y una respuesta

Dificultad: avanzada. Es ideal cuando se necesitan tanto datos estructurados como no estructurados al mismo tiempo. Una sola consulta combina bases de datos SQL u otras estructuradas para obtener cifras precisas, grafos de conocimiento para las relaciones, y embeddings de documentos para el contexto narrativo.

Query: "Tell me about the Mars Exploration Program"

→ SQL: "Mars: 1.52 AU from sun, 687-day orbit"
→ Graph: Mars → explored_by → Curiosity Rover, Perseverance
→ Text: "Mars is the fourth planet... known as the Red Planet..."→ Fused Answer: Combines all three for comprehensive, expert-level response

Las herramientas de investigación científica, las plataformas de análisis financiero y las bases de conocimiento empresariales con tipos de datos mixtos se benefician de ello.

12. RAG recursivo o de múltiples pasos, para preguntas complejas

Dificultad: avanzada. Úsalo cuando una sola búsqueda no puede abarcar la pregunta. Algunas preguntas requieren una cadena de conocimientos. Por ejemplo, cómo la invención del transistor condujo a la IA moderna necesita al menos cinco etapas: transistor, circuito integrado, CPU, GPU, aprendizaje profundo, LLMs. El RAG recursivo recupera información, aprende y vuelve a recuperarla.

Round 1: Retrieve about transistors → learn about miniaturization
Round 2: Retrieve about integrated circuits → learn about computing power
Round 3: Retrieve about GPUs → learn about parallel processing
Round 4: Retrieve about deep learning → learn about compute requirements
Round 5: Synthesize the full chain into a coherent answer

Asistentes de investigación, herramientas académicas, análisis estratégico y cualquier pregunta que requiera múltiples pasos lo hacen necesario.

Nivel 4: casos de uso especializados

13. ODQA RAG, responder a cualquier pregunta

Dificultad: intermedia. Es óptimo cuando la base de conocimientos es enorme y abierta. La respuesta a preguntas en dominios abiertos se logra mediante RAG a gran escala, abarcando ciencia, historia, geografía y cultura. El desafío no radica en la calidad de la recuperación, sino en manejar el alcance y reconocer cuándo la respuesta es desconocida. ODQA añade una puntuación de confianza, de modo que cuando los documentos recuperados no ofrecen una buena respuesta, el sistema admite que no está seguro y no genera respuestas falsas. Lo utilizan los asistentes de uso general, los bots de trivia, las plataformas de investigación y las bases de conocimiento internas interdisciplinarias.

14. RAG multimodal, texto, imágenes y audio juntos

Dificultad: avanzada. Es óptimo cuando la base de conocimientos incluye imágenes, gráficos o audio. La mayoría de los sistemas RAG solo manejan texto, pero el conocimiento real también se presenta en forma de diagramas anatómicos, fotos de productos, grabaciones y gráficos. Un sistema multimodal crea un espacio de embedding compartido entre las diferentes modalidades, de modo que una consulta de texto pueda encontrar una imagen y una consulta de imagen pueda encontrar un documento.

User (text): "Show me the anatomy of the heart"
→ Retrieves both: text descriptions AND anatomical diagrams
→ Response includes both text explanation and relevant image

La educación médica, los catálogos de productos, las plataformas de e-learning y los archivos multimedia son aplicaciones adecuadas.

15. Streaming RAG, conocimiento en tiempo real

Dificultad: intermedia. Es óptimo cuando la información cambia cada pocos minutos. Una pregunta hecha a las 9 de la mañana y otra a las 11 de la mañana merece respuestas diferentes siempre que los datos subyacentes hayan cambiado. Streaming RAG mantiene una base de conocimientos actualizada continuamente, indexando nuevos documentos a medida que llegan.

Time 9:00 AM: "What's happening with NVDA?"
→ Retrieves this morning's earnings report

Time 11:30 AM (after news breaks): "What's happening with NVDA?"
→ Retrieves the breaking news from 11:15 AM

Los asistentes de noticias financieras, los bots de soporte en tiempo real, el monitoreo de eventos y los paneles de operaciones dependen de él.

16. Federated RAG, privacidad primero y múltiples fuentes

Dificultad: avanzada. Es la mejor opción cuando los datos no pueden salir de su fuente. Resuelve una tensión básica en la IA empresarial: varios propietarios de datos desean un sistema compartido, pero ninguno está dispuesto a compartir datos en bruto. Los hospitales que aportan información a un asistente médico son un ejemplo típico, ya que los registros de pacientes no pueden centralizarse. Cada fuente utiliza su propio recuperador local, las consultas se envían a todas las fuentes al mismo tiempo, y solo los fragmentos recuperados, nunca los datos en bruto, llegan al sistema central.

Central Query: "What's the survival rate for treatment X?"

→ Hospital A retriever: returns relevant anonymized snippets
→ Hospital B retriever: returns relevant anonymized snippets
→ Hospital C retriever: returns relevant anonymized snippets
→ Central LLM synthesizes — never saw raw patient recordsResult: HIPAA/GDPR compliant, collaborative AI

Las redes de atención médica, los consorcios financieros, las bases de datos legales y cualquier estructura multiorganizacional con requisitos de gobernanza de datos son el objetivo.

Orden de implementación mes a mes

No se necesitan los dieciséis elementos desde el primer día. La mayoría de los sistemas de producción se desarrollan de forma gradual.

Month 1:  Standard RAG           ← Get something working
Month 2:  + Hybrid RAG            ← Biggest retrieval quality win
Month 3:  + Contextual Retrieval  ← Multi-turn conversations work now
Month 4:  + Self-RAG              ← Stop hallucinations
Month 5:  + Agentic capabilities  ← Tools beyond just search

This covers 80-90% of production RAG needs.

Combinación de patrones

Los sistemas de producción casi siempre combinan varios patrones. Algunos ejemplos:

• Un chatbot empresarial combina los patrones Estándar, Híbrido, Contextual y de Memoria para conversaciones de varias turnos, una buena recuperación de información y personalización.
• Un asistente médico combina los patrones Específicos del dominio, Self-RAG y Mejorado, ya que la precisión es importante y se utilizan datos estructurados.
• Una herramienta de investigación combina los patrones Agente, Híbrido y Recursivo para preguntas complejas, múltiples pasos y herramientas diversas.
• El soporte al cliente combina los patrones Estándar, Contextual y de Transmisión en tiempo real para seguimientos y actualizaciones instantáneas.
• La investigación jurídica combina los patrones Específicos del dominio, de Gráfico y Híbrido para las relaciones entre entidades y citas exactas.
• Un analizador de noticias combina los patrones de Transmisión en tiempo real, ODQA y Multimodal para datos en tiempo real, temas amplios e imágenes.

Una selección rápida

Para un primer bot de preguntas y respuestas sobre documentos, comience con Standard RAG. Para una mejor búsqueda en entornos de producción, añada Hybrid. Un chatbot de múltiples turnos necesita Retrieval Contextual, mientras que un bot que llama a herramientas o APIs requiere la variante agente. Los trabajos de alta precisión en medicina o derecho indican Self-RAG, y los usuarios casuales que se enfrentan a documentación técnica optan por HyDE. Las preguntas relacionales requieren Graph RAG, un asistente personalizado para Memory-Augmented, experimentos con diferentes combinaciones para Modular, y campos regulados para Domain-Specific. Los datos mixtos estructurados y no estructurados se adaptan a Enhanced RAG, las preguntas de múltiples pasos a Recursive RAG, y las preguntas y respuestas de uso general a ODQA. Las imágenes y el audio requieren Multi-Modal, los datos en tiempo real necesitan Streaming, y las configuraciones multiorganización bajo HIPAA o GDPR exigen Federated.

Ejecutar los ejemplos

Cada implementación está diseñada para ejecutarse directamente: clona un repositorio, instala los requisitos, configura una clave API de OpenAI y comienza con el primer patrón.

# Clone the repo
git clone https://github.com/Manjunadh86/RAG-Materials.git
cd RAG-Materials

# Install dependencies
pip install -r requirements.txt# Set your OpenAI API key
export OPENAI_API_KEY="sk-your-key-here"# Run your first RAG system
cd 01-Standard-RAG
python hands_on.py

Cada módulo contiene un README que explica el concepto, la arquitectura y cuándo utilizarlo, además de un script ejecutable para modificarlo, con comentarios en cada paso.

RAG avanza rápidamente. Los sistemas agentes se vuelven cada vez más capaces, la recuperación multimodal está madurando y los enfoques federados se vuelven cruciales a medida que se endurecen los requisitos de gobernanza de la IA. La mejor forma de aprender RAG es construyéndolo.