{"slug": "rag-explicado-como-darle-a-un-llm-tu-propia-informacion", "title": "RAG explicado: cómo darle a un LLM tu propia información", "summary": "A developer explains how Retrieval-Augmented Generation (RAG) allows large language models to answer questions using a company's own documents, reducing hallucinations by providing real context at query time. The post includes a Python example using sentence-transformers, FAISS, and Anthropic's Claude, and highlights RAG as a cost-effective way to apply AI in business without retraining models.", "body_md": "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.\n\nEn lugar de esperar que el modelo \"se sepa\" tu información, se la **das en el momento de la pregunta**:\n\nEl modelo ya no adivina: responde a partir de un contexto real que tú controlas. Y puedes pedirle que **cite** de dónde salió cada dato.\n\n``` php\n# 1. Indexado (una vez): fragmentos -> embeddings -> base vectorial\n#    (con librerías como sentence-transformers + FAISS, o un servicio gestionado)\n\n# 2. En cada pregunta: recuperar los fragmentos relevantes\nfragmentos = base_vectorial.buscar(pregunta, k=4)\ncontexto = \"\\n\\n\".join(fragmentos)\n\n# 3. Generar la respuesta con el contexto\nfrom anthropic import Anthropic\nclient = Anthropic()\n\nresp = client.messages.create(\n    model=\"claude-opus-4-8\",\n    max_tokens=1024,\n    system=\"Responde SOLO con la información del contexto. Si no está, dilo.\",\n    messages=[{\n        \"role\": \"user\",\n        \"content\": f\"Contexto:\\n{contexto}\\n\\nPregunta: {pregunta}\",\n    }],\n)\nprint(resp.content[0].text)\n```\n\nFíjate en la instrucción del `system`\n\n: pedirle que responda **solo** con el contexto y que admita cuando no sabe es lo que reduce drásticamente las alucinaciones.\n\nRAG 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.\n\nEn Xiliux construyo sistemas RAG en Python de principio a fin. Cuéntame qué información quieres poner a trabajar: [contacto](https://dev.to/#contacto).", "url": "https://wpnews.pro/news/rag-explicado-como-darle-a-un-llm-tu-propia-informacion", "canonical_source": "https://dev.to/isazajuancarlos/rag-explicado-como-darle-a-un-llm-tu-propia-informacion-2a8b", "published_at": "2026-08-22 18:25:06+00:00", "updated_at": "2026-08-22 18:43:23.939745+00:00", "lang": "en", "topics": ["large-language-models", "artificial-intelligence", "ai-tools", "developer-tools"], "entities": ["Anthropic", "Claude", "FAISS", "sentence-transformers", "Xiliux"], "alternates": {"html": "https://wpnews.pro/news/rag-explicado-como-darle-a-un-llm-tu-propia-informacion", "markdown": "https://wpnews.pro/news/rag-explicado-como-darle-a-un-llm-tu-propia-informacion.md", "text": "https://wpnews.pro/news/rag-explicado-como-darle-a-un-llm-tu-propia-informacion.txt", "jsonld": "https://wpnews.pro/news/rag-explicado-como-darle-a-un-llm-tu-propia-informacion.jsonld"}}