---
title: "¿Qué es RAG? Generación aumentada por recuperación | BroadRouter"
description: "RAG recupera fragmentos relevantes de sus documentos y los agrega al prompt para que el LLM responda con ellos. Cómo funciona y cuándo gana el contexto largo."
url: https://broadrouter.com/es/glossary/rag/
lang: es
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Traducido del inglés con ayuda de IA. [Lea el original en inglés](https://broadrouter.com/glossary/rag/) (actualizado el 2026-11-14).

# RAG (generación aumentada por recuperación)

Actualizado 2026-11-14

RAG (generación aumentada por recuperación) es un patrón en el que una aplicación primero recupera, de un almacén externo como un índice de búsqueda o vectorial, fragmentos relevantes para una pregunta, y luego los agrega al prompt para que un modelo de lenguaje responda con ese texto y no solo de memoria.

También llamado: generación aumentada por recuperación, generación aumentada con recuperación, pipeline de RAG, RAG, retrieval-augmented generation, retrieval augmented generation, RAG pipeline, retrieval-augmented LLM

RAG le da al modelo un libro abierto: antes de que responda, su código busca las páginas relevantes y las pone en el prompt.

## Cómo funciona

El término viene de Lewis et al. (2020). Combinaron un modelo generador (“parametric memory”, traducción: memoria paramétrica) con “a dense vector index of Wikipedia” (traducción: un índice vectorial denso de Wikipedia) como “non-parametric memory” (traducción: memoria no paramétrica), al que se accede mediante un recuperador neuronal, y reportaron mejores resultados en preguntas y respuestas de dominio abierto que los modelos que dependían solo de sus pesos.

Un pipeline de RAG moderno con una API de LLM suele verse así:

1.  **Indexar.** Divida los documentos en fragmentos, convierta cada uno en [embeddings](https://broadrouter.com/es/glossary/embeddings/) y guárdelos en una [base de datos vectorial](https://broadrouter.com/es/glossary/vector-database/), a menudo junto a un índice de palabras clave.
2.  **Recuperar.** Genere el embedding de la pregunta del usuario y traiga los fragmentos que mejor coincidan, por ejemplo de 5 a 20.
3.  **Generar.** Ponga esos fragmentos en el prompt con la instrucción de responder solo a partir de ellos y citarlos. Envíelo al modelo de chat.

El modelo nunca busca por su cuenta. La calidad de la recuperación marca el techo: si el pasaje correcto no se recupera, el modelo no puede usarlo.

## Por qué importa

-   **Actualidad.** Los pesos del modelo se detienen en su fecha de corte de entrenamiento. RAG le permite responder con la lista de precios o la política de hoy.
-   **Costo.** Enviar 10 fragmentos cuesta muchos menos tokens de entrada que enviar todo el corpus en cada pregunta.
-   **Trazabilidad.** Las respuestas pueden citar los pasajes de los que salieron, lo que favorece el [grounding](https://broadrouter.com/es/glossary/grounding/) y facilita detectar [alucinaciones](https://broadrouter.com/es/glossary/hallucination/).
-   **El orden importa.** Los modelos aprovechan mejor el principio y el final de un prompt largo que la parte central. Ponga primero los mejores pasajes. Consulte [lost in the middle](https://broadrouter.com/es/glossary/lost-in-the-middle/).

## En BroadNet Inference

BroadNet cubre el paso de generación. Su documentación no incluye un endpoint de embeddings, así que el recuperador necesita un modelo de embeddings aparte o una búsqueda por palabras clave. DeepSeek V4.1 Flash y GLM 5.3 aceptan hasta 1,048,576 tokens de contexto, lo que hace práctica una recuperación generosa (o ninguna recuperación en corpus pequeños). El artículo [contexto largo vs. RAG](https://broadrouter.com/es/blog/long-context-vs-rag/) compara ambos en costo y recall, y [búsqueda RAG en árabe](https://broadrouter.com/es/blog/arabic-rag-search/) cubre la normalización y la recuperación híbrida para árabe.

## Errores comunes

-   Culpar al modelo cuando la falla está en el recuperador. Registre qué fragmentos se recuperaron para cada respuesta.
-   Fragmentos que cortan tablas u oraciones por la mitad.
-   No indicar que responda “no encontrado”. Sin esa instrucción, el modelo rellena los huecos de memoria.

## Preguntas frecuentes

### ¿RAG es lo mismo que fine-tuning?

No. RAG agrega documentos al prompt en el momento de la solicitud y no cambia nada del modelo. El fine-tuning cambia los pesos del modelo. RAG es más fácil de actualizar: se reindexa un documento en lugar de reentrenar.

### ¿Necesito una base de datos vectorial para RAG?

No siempre. Una búsqueda por palabras clave, una consulta SQL o un pequeño índice en memoria pueden servir como recuperador. Una base de datos vectorial ayuda cuando tiene muchos documentos y necesita coincidencias semánticas.

### ¿Una ventana de contexto de 1M de tokens reemplaza a RAG?

A veces. Si todo el corpus cabe y se consulta a menudo con caché, puede enviarlo completo. Para corpus grandes o que cambian rápido, la recuperación sigue siendo más barata y rápida por pregunta.

## Vea también

-   [Embeddings (vectores de texto)](https://broadrouter.com/es/glossary/embeddings/) (término)
-   [Base de datos vectorial (vector database)](https://broadrouter.com/es/glossary/vector-database/) (término)
-   [Ventana de contexto (context window)](https://broadrouter.com/es/glossary/context-window/) (término)
-   [Grounding (anclaje en fuentes)](https://broadrouter.com/es/glossary/grounding/) (término)
-   [Alucinación (hallucination)](https://broadrouter.com/es/glossary/hallucination/) (término)
-   [Lost in the middle (perdido en el medio)](https://broadrouter.com/es/glossary/lost-in-the-middle/) (término)
-   [Chunking (fragmentación de documentos en RAG)](https://broadrouter.com/es/glossary/chunking/) (término)
-   [Reranking (reordenamiento de resultados)](https://broadrouter.com/es/glossary/reranking/) (término)
-   [Búsqueda híbrida (hybrid search)](https://broadrouter.com/es/glossary/hybrid-search/) (término)
-   [BM25 (ranking por palabras clave)](https://broadrouter.com/es/glossary/bm25/) (término)
-   [Usar el SDK de OpenAI para Python con BroadNet Inference](https://broadrouter.com/es/guides/openai-python-sdk/) (guía)
-   [Contexto largo vs RAG: cuándo 1M de tokens reemplaza la base vectorial](https://broadrouter.com/es/blog/long-context-vs-rag/) (artículo)
-   [RAG en árabe: normalización, chunking y recuperación que funciona](https://broadrouter.com/es/blog/arabic-rag-search/) (artículo)
-   [Ventana de contexto de 1M de tokens: cuándo compensa y cuándo no](https://broadrouter.com/es/blog/million-token-context-window-guide/) (artículo)

Pruébelo con su carga de trabajo real. Las cuentas nuevas empiezan con USD 5 de crédito para Gemma y transcripción. DeepSeek, GLM y Qwen3.8 requieren una recarga.

[Comenzar](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=es-glossary-rag&utm_content=page-cta) ·

**Fuentes**

-   [Lewis et al., Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks (arXiv, NeurIPS 2020)](https://arxiv.org/abs/2005.11401)
-   [OpenAI, guía de embeddings vectoriales (caso de uso de búsqueda)](https://developers.openai.com/api/docs/guides/embeddings)
-   [Referencia de la API de BroadNet Inference, IDs de modelo y contexto (en inglés)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=es-glossary-rag&utm_content=sources#models)
