Las tres familias del RAG avanzado

Las técnicas de RAG avanzado no son una lista de mejoras que se acumulan: son tres respuestas a tres limitaciones distintas del RAG básico. Unas enriquecen el chunk para que se sostenga solo; otras añaden estructura para poder razonar sobre relaciones; otras meten un evaluador dentro del flujo. Saber qué familia ataca tu problema evita la trampa de este módulo, que es implementarlas todas.

01 — El diagnóstico

Cada limitación tiene su familia

Limitación del RAG básico	Cómo se manifiesta	Familia que la ataca
Chunks aislados, sin contexto	Respuestas incompletas o ambiguas: «el CEO», «la política», «el próximo trimestre»	Enriquecimiento
Chunks pequeños que pierden contexto	Respuestas fragmentadas	Enriquecimiento
Sin relaciones entre conceptos	No puede responder «¿cómo se relaciona X con Y?»	Estructural
No valida la calidad de lo recuperado	Usa chunks irrelevantes con total aplomo	Auto-correctivo
Una estrategia fija para todas las queries	Buena para unas, mala para otras	Enrutado

El material abre con un ejemplo que vale como test de diagnóstico. Un chunk dice: «El CEO anunció que la política cambiaría el próximo trimestre». Recuperarlo es fácil; usarlo es imposible, porque no dice quién es el CEO, qué política ni cuándo es ese trimestre. Si tus fallos se parecen a ese, tu problema es de enriquecimiento y ninguna otra familia te va a ayudar.

02 — Las tres familias

Qué cambia cada una

Familia 1 · antes de indexar

Enriquecimiento

Se cambia qué se guarda. El chunk deja de ser un fragmento suelto y pasa a llevar su contexto encima, o a poder recuperar el fragmento mayor del que salió.

Contextual RAGUn LLM escribe dos o tres frases que sitúan cada chunk dentro de su documento, y ese texto se indexa junto al chunk.

Parent-ChildSe busca sobre trozos pequeños —precisos— pero se entrega el trozo grande del que forman parte.

Familia 2 · una estructura aparte

Estructural

Se añade una representación que el texto plano no tiene: entidades y las relaciones entre ellas. Permite responder preguntas cuya respuesta no está en ningún chunk, sino entre varios.

Graph RAGSe extraen entidades y relaciones de los documentos y se construye un grafo que se recorre además de buscar por similitud.

Familia 3 · durante la consulta

Auto-correctivo

Se mete un evaluador dentro del flujo: antes de responder se comprueba si hacía falta buscar, si lo recuperado sirve y si la respuesta se apoya de verdad en ello.

Self-RAGEl sistema se pregunta a sí mismo en tres puntos y puede negarse a responder.

Corrective RAGSi lo recuperado es de baja calidad, va a buscar a otra fuente — web, otra base.

// enriquecimiento cambia lo indexado; estructural añade otra vista; auto-correctivo revisa

03 — El coste

Dónde se paga cada familia

La diferencia práctica entre las tres no está en lo que mejoran, sino en cuándo se paga:

Técnica	Coste de indexación	Coste por consulta	Qué mejora
Contextual RAG	Alto: una llamada al LLM por chunk	Normal	Chunks que se sostienen solos
Graph RAG	Alto: extracción de entidades por documento	Medio	Razonamiento sobre relaciones
Parent-Child	Bajo	Bajo	Precisión al buscar, contexto al responder
Self-RAG	Normal	Alto: varias evaluaciones por consulta	Fiabilidad

Esa tabla ordena las decisiones mejor que cualquier comparación de calidad. Las dos primeras se pagan una vez por documento —y otra vez cada vez que reindexes—; la última se paga en cada pregunta, para siempre. Y Parent-Child es barato por los dos lados, lo que lo convierte en el primero que hay que probar casi siempre.

Auditoría Este módulo se titula «RAG Avanzado (CRAG + Reranking)» y en sus 32 páginas la palabra «reranking» no aparece ni una vez: ni cross-encoders, ni reordenación de candidatos, ni las consultas híbridas que promete su descripción — esas están en el Módulo 10. Y CRAG aparece de refilón: se define en dos frases y solo se implementa Self-RAG. Además, su última unidad —LLM-as-a-Judge con LangFuse— es contenido del Módulo 6, ya publicado ahí. Esta wiki no la ha vuelto a redactar. Es el cuarto módulo seguido cuyo índice no describe su contenido, después del 8, el 17 y el 12: a estas alturas conviene comprobar cada módulo contra su PDF antes de estudiarlo.

Para hacer

Diagnosticar antes de elegir

Coge diez consultas que tu RAG haya respondido mal y clasifica cada fallo con la tabla de la sección 01: ¿faltaba contexto en el chunk?, ¿la respuesta estaba repartida entre varios documentos conectados?, ¿lo recuperado no venía a cuento?

El recuento te dice qué familia implementar, y —más importante— cuáles no. Si nueve de diez fallos son de contexto, montar un grafo de conocimiento es meses de trabajo para arreglar el décimo.