RAG · Retrieval Augmented Generation · Definición + arquitectura B2B

El RAG (Retrieval Augmented Generation) combina retrieval de información (vector DB) con generación LLM para responder consultas sobre knowledge base privada sin fine-tuning. Patrón canónico B2B 2026 · permite Claude/GPT contestar sobre docs internos preservando privacidad + accuracy + actualización en tiempo real.

Arquitectura RAG canónica

  1. Ingestion · documentos (Notion, Drive, SharePoint, Confluence) → chunking 500-2.000 tokens.
  2. Embeddings · text-embedding-3 (OpenAI) / Voyage / Cohere convierte chunks en vectores 1024-3072 dim.
  3. Vector DB · Pinecone, Weaviate, Qdrant, pgvector almacenan vectores + metadata.
  4. Query · pregunta usuario → embedding → similarity search top-K chunks relevantes.
  5. Generation · LLM (Claude / GPT-4 / Gemini) responde con chunks recuperados en context window + citations source.

Diferencia RAG vs Fine-tuning

  • RAG · knowledge externa al modelo · update real-time · auditable (citations) · coste lineal con queries.
  • Fine-tuning · knowledge embedded en modelo · update requiere re-training · no auditable · coste fijo training + inferior overhead query.
  • Decisión B2B · RAG default para knowledge base evolutiva. Fine-tuning para style/tone fix + reduce token cost en queries high-volume.
  • Híbrido · fine-tune base model + RAG knowledge layer. Combinación común enterprise.

Stack RAG B2B mid-market canónico

  • LLM · Claude 3.5 Sonnet / GPT-4o / Gemini Pro · enterprise privacy.
  • Embeddings · text-embedding-3-large (OpenAI) / voyage-large-2.
  • Vector DB · Pinecone (managed) / Qdrant (self-hosted) / pgvector (Postgres extension).
  • Orchestration · LangChain / LlamaIndex / custom.
  • Ingestion · Unstructured.io / custom Python parsers.
  • Hosting · AWS / Azure OpenAI / on-premise GPU según compliance.

Casos uso RAG B2B

  • Customer support tier-1 agent · responde sobre docs + tickets históricos + product KB.
  • Internal knowledge assistant · empleados consultan políticas + procesos + onboarding.
  • Sales enablement · SDR/AE pregunta sobre product, pricing, competitor, case studies.
  • Compliance Q&A · legal team consulta sobre RGPD, EU AI Act, contracts library.
  • Marketing content ops · briefing + research desde KB + competitive intel.

Diferencia entre /rag-retrieval/ glossary y pillar /productos-ia/rag-privado-empresarial/

Esta entrada glossary = definición + arquitectura canónica. Para implementación B2B + pricing + compliance enterprise ver RAG Privado Empresarial + RAG Systems pillar.

Errores frecuentes

  • Chunking demasiado grande. >2.000 tokens reduce precision retrieval.
  • Embeddings sin actualizar. Docs updated sin re-embed = stale answers.
  • RAG sin citations. Sin source links, auditability rota.
  • Vector DB sin metadata filters. Cross-team data leak risk.
  • Reranking ausente. Top-K sin reranking (Cohere Rerank) puede traer chunks irrelevantes.
  • Sin eval framework. Sin métrica accuracy/recall, no se puede iterar.

Términos relacionados

  • MCP — protocolo para conectar RAG a LLM tools.
  • Prompt Engineering — diseño prompts RAG-aware.
  • E-E-A-T — RAG con citations mejora trust.
  • GEO — GEO citation similar pattern RAG.
  • B2B — RAG resuelve enterprise B2B knowledge silos.

¿RAG B2B sin eval framework? Diagnóstico digital gratuito →