3.2. Arquitectura de RAG

3.2. Arquitectura de RAG: El cerebro con memoria

RAG (Retrieval-Augmented Generation) es la arquitectura estándar de la industria para empresas. Resuelve el problema #1 de los LLMs: La alucinación y la falta de contexto.

3.2.1. Anatomía del sistema RAG

El sistema no es una sola pieza, es un flujo de tres pasos que ocurre en milisegundos.

Paso	Componente	Función Técnica
1. Ingesta	Embeddings	Convierte tu texto (PDFs) en vectores numéricos (listas de coordenadas matemáticas).
2. Recuperación	Vector DB	Cuando el usuario pregunta, el sistema busca los párrafos matemáticamente más cercanos a la pregunta.
3. Generación	LLM (Llama)	Recibe los párrafos encontrados + la pregunta original y redacta una respuesta coherente.

---

¿Por qué RAG y no Fine-Tuning?

Muchos creen que deben "entrenar" (Fine-Tuning) a la IA con sus datos. Para el 95% de las PyMEs, eso es un error costoso e innecesario.

✅ RAG (Lo que haremos)

• Costo: Bajo / Nulo.

• Actualización: Inmediata (subes un PDF y la IA ya sabe la nueva política al instante).

• Transparencia: Cita las fuentes ("Ver pág 5 del manual").

• Uso: Bases de conocimiento, búsqueda en contratos, soporte técnico.

❌ Fine-Tuning (entrenamiento)

ANALOGÍA TÉCNICA Fine-Tuning es mandar a la IA a la universidad a estudiar medicina (aprende a pensar como médico). RAG es darle a la IA el libro de medicina durante el examen para que busque la respuesta exacta (aprende a consultar).