# RAG explicado: cómo darle a un LLM tu propia información

> Source: <https://dev.to/isazajuancarlos/rag-explicado-como-darle-a-un-llm-tu-propia-informacion-2a8b>
> Published: 2026-08-22 18:25:06+00:00

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.

``` php
# 1. Indexado (una vez): fragmentos -> embeddings -> base vectorial
#    (con librerías como sentence-transformers + FAISS, o un servicio gestionado)

# 2. En cada pregunta: recuperar los fragmentos relevantes
fragmentos = base_vectorial.buscar(pregunta, k=4)
contexto = "\n\n".join(fragmentos)

# 3. Generar la respuesta con el contexto
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](https://dev.to/#contacto).