En pocas palabras
RAG significa «generación aumentada con recuperación». En cristiano: antes de responder, el sistema busca en una colección de documentos los trozos que tienen que ver con tu pregunta y se los pasa al modelo. Así la IA responde mirando información real, no solo lo que recordaba de su entrenamiento.
Explicado fácil
Imagina un examen. Un alumno responde solo de memoria: a veces acierta, pero también puede inventarse cosas o quedarse anticuado. Otro alumno hace un examen «con libro abierto»: antes de contestar cada pregunta, busca la página exacta del libro y responde con eso delante. Este segundo casi siempre da respuestas más correctas.
RAG convierte a la IA en ese alumno con el libro abierto. Tú le das una «biblioteca» (tus PDFs, tu web, tus manuales). Cuando preguntas, el sistema busca los fragmentos que encajan, se los enseña al modelo, y entonces el modelo responde con esa información delante. Por eso acierta más y se inventa menos.
¿Por qué importa para crear agentes de IA?
Un modelo, por sí solo, no conoce los datos privados de tu empresa ni lo que pasó después de su entrenamiento. RAG es la forma estándar de darle ese conocimiento: conectarlo a tus documentos para que responda sobre tu negocio en concreto. Además reduce mucho las alucinaciones (esas respuestas inventadas con seguridad), porque el modelo se apoya en textos reales. Es una de las técnicas más usadas al crear agentes útiles de verdad.
Un ejemplo
Montas un agente de atención al cliente para una tienda. Le conectas el manual de la tienda con RAG. Un cliente pregunta: «¿cuántos días tengo para devolver un producto?». El sistema busca en el manual el apartado de devoluciones, encuentra «30 días», se lo pasa al modelo y este responde con la cifra correcta. Sin RAG, el agente podría inventarse un número cualquiera.