Un modelo de lenguaje sabe mucho del mundo, pero no sabe nada de tu empresa: tus manuales, tus políticas, tus productos. Y si le preguntas por algo que no sabe, puede inventar una respuesta que suena convincente. RAG (Retrieval-Augmented Generation) resuelve las dos cosas.
En lugar de esperar que el modelo "se sepa" tu información, se la das en el momento de la pregunta:
El modelo ya no adivina: responde a partir de un contexto real que tú controlas. Y puedes pedirle que cite de dónde salió cada dato.
fragmentos = base_vectorial.buscar(pregunta, k=4)
contexto = "\n\n".join(fragmentos)
from anthropic import Anthropic
client = Anthropic()
resp = client.messages.create(
model="claude-opus-4-8",
max_tokens=1024,
system="Responde SOLO con la información del contexto. Si no está, dilo.",
messages=[{
"role": "user",
"content": f"Contexto:\n{contexto}\n\nPregunta: {pregunta}",
}],
)
print(resp.content[0].text)
Fíjate en la instrucción del system
: pedirle que responda solo con el contexto y que admita cuando no sabe es lo que reduce drásticamente las alucinaciones.
RAG es hoy una de las formas más rentables de aplicar IA en un negocio: no reentrenas nada, y el asistente mejora con solo actualizar tus documentos.
En Xiliux construyo sistemas RAG en Python de principio a fin. Cuéntame qué información quieres poner a trabajar: contacto.