Generació augmentada per recuperació (RAG): definició, casos d’ús i exemples pràctics
La generació augmentada per recuperació (RAG) permet a les eines d’IA incorporar informació externa per fonamentar les seves respostes, i aquesta guia explica com funciona, quins en són els principals tipus i casos d’ús reals, des de la cerca web fins a les bases de coneixement empresarials.

La RAG, o generació augmentada per recuperació, és el procés mitjançant el qual les eines basades en LLM accedeixen a informació externa. Aquesta informació, que no es troba en els paràmetres d’entrenament de l’LLM, s’afegeix al context d’entrada pertinent i s’utilitza per generar la resposta.
La RAG és un dels components més importants dels sistemes d’IA moderns. La fan servir totes les eines agèntiques principals (ChatGPT, Claude, Perplexity, etc.) i té una gran varietat de casos d’ús per a consumidors i empreses. La RAG ha experimentat diverses innovacions des que es va popularitzar i continua evolucionant de maneres molt interessants.
Què és la generació augmentada per recuperació (RAG)?
La generació augmentada per recuperació (RAG) és un mètode per millorar els resultats dels grans models de llenguatge (LLM) proporcionant-los informació externa pertinent.
Un «pipeline» de RAG típic, terme que s’utilitza per referir-se a l’arquitectura de RAG subjacent en general, té dues rutes: una ruta d’ingesta i una ruta de recuperació. La ruta d’ingesta pren dades i les converteix en un format en què es pot cercar. La ruta de recuperació construeix una sol·licitud a partir de la indicació de l’usuari i consulta la font d’informació.
Sovint, els sistemes de RAG es construeixen al voltant de bases de dades vectorials. En aquest escenari, el component orquestrador d’una eina d’LLM, que gestiona les indicacions de l’usuari, envia consultes i recupera resultats de l’índex en què es pot cercar, generarà una incrustació vectorial. La utilitza per consultar una base de dades de vectors que representen les dades ingerides. Després, afegirà la informació recuperada al context d’entrada existent per a l’LLM, amb instruccions sobre com utilitzar-la per generar un resultat.
La RAG no fa referència exclusivament al tipus de cerca vectorial densa descrit més amunt. El recorregut de grafs de coneixement, la cerca semàntica, les consultes tradicionals a bases de dades o qualsevol combinació d’aquests mètodes també hi compten.
Avantatges de la RAG
Un dels motius pels quals la RAG s’ha fet tan popular és que resol dos problemes clau associats a la generació de respostes només amb LLM: les al·lucinacions i la manca d’accés a informació que no es troba en els materials d’entrenament.
Verificació de fets i fonamentació
Els LLM tenen fama de tenir dificultats amb la precisió factual. Sovint, si no poden respondre una pregunta de manera fiable, al·lucinen amb tota confiança. Això pot passar perquè la informació no es trobava en els materials d’entrenament o perquè els mateixos materials d’entrenament contenen inexactituds. El procés de verificació de fets amb RAG consisteix a fonamentar una resposta en informació d’una font externa de confiança.
Informació actualitzada
Els LLM només poden respondre preguntes sobre temes fins a la data límit de les seves dades d’entrenament, anomenada data límit de coneixement. Els sistemes de RAG es poden connectar a fonts d’informació molt actuals, com ara materials de notícies mitjançant una API de cerca web o bases de dades internes amb informació de productes actualitzada. Això permet generar respostes sobre temes que no estan coberts per les dades d’entrenament.
Accés a dades externes privades
Els sistemes de RAG permeten a les empreses connectar la infraestructura d’IA a fonts d’informació confidencial, propietària i específica del seu àmbit que no poden compartir públicament. Moltes eines populars, com Perplexity, ara inclouen l’opció de pujar dades confidencials i crear bases de coneixement privades, i és un cas d’ús empresarial habitual.
Visió general i evolució de la RAG: principals tipus d’arquitectura
Tot i que el terme específic generació augmentada per recuperació va aparèixer per primera vegada en un important article del 2020 titulat Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks, els sistemes de recuperació d’informació ja s’utilitzaven des de moltes dècades abans. Els primers motors de cerca en són un bon exemple. Tanmateix, la veritable innovació en IA va ser combinar el coneixement paramètric del model amb un índex vectorial dens (l’article va utilitzar Wikipedia per construir-lo).
Aquests són els principals tipus de RAG:
- RAG bàsica: També anomenada RAG ingènua, la RAG bàsica és la iteració més senzilla d’un pipeline de RAG. Segueix un flux de recuperació i generació, amb la cerca en bases de dades vectorials com a cas d’ús principal. Continua sent adequada per crear una implementació de RAG senzilla, sobretot per a un ús intern limitat.
- RAG híbrida: Consisteix a combinar més d’un tipus de RAG. Normalment fa referència a una combinació de cerques senzilles per paraules clau i recuperació vectorial densa.
- RAG correctiva: Una forma de RAG en què un model ajustat avalua la informació recuperada per determinar-ne la rellevància respecte a la indicació de l’usuari.
- Self-RAG: Tot i que s’assembla a la RAG correctiva, en la Self-RAG l’LLM avalua els seus propis resultats i inicia la recuperació si cal. Per fer-ho, utilitza tokens de reflexió especialitzats.
- RAG agèntica: La RAG agèntica fa referència a la manera com les plataformes d’IA agèntica poden recórrer a diferents mètodes de recuperació. L’LLM pot raonar i triar entre diverses opcions de RAG a través de l’orquestrador.
- RAG multimodal: Aquest tipus de RAG incorpora altres formats multimèdia, com ara imatges i àudio, als seus pipelines d’ingesta i recuperació.
- GraphRAG: GraphRAG incorpora el recorregut de grafs de coneixement (cerca d’entitats) per recuperar informació. Es pot combinar amb la recuperació vectorial densa, però no és obligatori.
- RAG ramificada: Aquesta arquitectura de RAG consisteix a executar diverses consultes de recuperació alhora, sovint amb diferents patrons d’arquitectura. La RAG ramificada és una funció habitual de les eines d’IA que executen fluxos de treball complexos.
- HyDE (Hypothetical Document Embeddings): Les incrustacions de documents hipotètics són respostes generades per IA que simulen com podria ser una resposta ideal a la indicació d’un usuari. S’utilitzen per refinar la consulta de RAG i, així, millorar la precisió de la informació recuperada.
Principals casos d’ús de la RAG amb exemples
Com és la RAG al món real? Si has fet una pregunta a un xatbot d’IA sobre un tema d’actualitat, has consultat un bot d’atenció al client o has fet servir un assistent personal per a tasques administratives, has utilitzat la RAG.
Els principals exemples de RAG en contextos de consum i empresarials són la cerca web, els assistents personals (també en programació), els assistents de programació, l’atenció al client i la gestió del coneixement empresarial.
Cerca web
La cerca web és una forma de RAG molt utilitzada i, probablement, l’aplicació per a consumidors més estesa. Tots els xatbots principals ofereixen una funció de cerca web, en què l’LLM utilitza fonts actualitzades per complementar la informació continguda en els seus materials d’entrenament.
L’orquestrador de l’eina d’IA es connecta a un motor de cerca extern mitjançant una crida a l’API, i els resultats, en forma de fragments, s’afegeixen a la finestra de context de l’LLM. Això permet als usuaris accedir a l’actualitat, a investigacions recents, a informació de productes i a altres temes en què la informació canvia sovint.
A la pràctica, la sol·licitud a l’API podria ser així:
{
"query": "latest US inflation news",
"max_results": 1,
"language": "en",
"country": "US"
}La informació retornada inclouria la font i el fragment:
{
"query": "latest US inflation news",
"results": [
{
"title": "US inflation rises slightly in latest report",
"url": "https://example.com/us-inflation-report",
"snippet": "Consumer prices increased in the latest monthly data, with
housing and energy contributing to the rise.",
"published_date": "2026-11-05"
}
]
}Assistents personals d’IA
Els assistents personals utilitzen la RAG per connectar-se a fonts d’informació dins d’un entorn personal o empresarial compartit. Alguns exemples de fonts d’informació són els correus electrònics, els fitxers, el calendari i les bases de dades d’un usuari.
Com que la informació es pot emmagatzemar de diverses maneres, la millor manera d’entendre els assistents personals és com a sistemes de RAG plenament agèntics. Poden utilitzar crides a l’API, cerca per paraules clau, recuperació vectorial densa o recorregut de grafs de coneixement, en funció de la indicació.
Cada vegada més, els sistemes de RAG empresarials codifiquen el coneixement en bases de dades vectorials perquè els assistents personals de tota l’empresa el puguin recuperar fàcilment, i molts productes d’IA empresarials estan dissenyats tenint-ho en compte.
Els assistents de programació també són destacables perquè representen un altre cas d’ús important. Un assistent de codi, com GitHub Copilot, es pot connectar a un repositori i a la documentació específica del projecte per recuperar fitxers, funcions, símbols, directrius, API i historial de commits pertinents.
Atenció al client
L’atenció al client és un altre cas d’ús important de la RAG, i l’adopció de xatbots d’IA ha augmentat ràpidament en els últims anys. En el seu informe State of AI Customer Support, Crisp va constatar que el 40 % de les converses es resolen sense necessitat d’un humà, cosa que demostra un alt nivell d’eficàcia.
Quan un usuari fa una pregunta a un bot d’atenció al client, l’orquestrador normalment cerca a la base de coneixement interna de l’empresa. Per garantir-ne la precisió, també s’utilitzen sovint la RAG correctiva i la Self-RAG, i es deriva la conversa a un representant humà quan escau.
Bases de coneixement empresarials
La implantació de fluxos de treball d’IA i d’eines d’IA generativa a les empreses mitjanes i grans ha anat acompanyada de la creació de bases de coneixement internes. Això permet que els assistents de tota l’empresa accedeixin a dades internes tot preservant la privadesa, ja siguin dades confidencials de clients, dades corporatives privades o coneixement especialitzat d’un àmbit.
Aquests sistemes normalment es construeixen al voltant de bases de dades vectorials, però també s’utilitzen altres mètodes de RAG. Microsoft 365 Copilot, per exemple, té una capa d’API que exposa diverses fonts d’informació, com ara bases de dades vectorials, grafs de coneixement i índexs semàntics, per oferir un accés ampli a les dades d’una empresa.
Aquests sistemes de RAG també solen estar integrats en els paquets empresarials de les eines agèntiques d’ús general. Perplexity Enterprise, per exemple, permet als usuaris pujar grans quantitats de documentació per a un ús intern segur.
Els usuaris també poden pujar els seus propis fitxers dins de projectes independents, cosa que essencialment crea minisistemes de RAG. Les cerques es poden combinar amb altres formes de RAG, com les cerques web, per a una augmentació híbrida.
Quina diferència hi ha entre la RAG i un LLM?
Un gran model de llenguatge (LLM) només pot generar resultats a partir de la informació representada en els seus paràmetres. Assigna probabilitats a un vocabulari intern per predir la paraula següent, o token, d’una seqüència. Per tant, no pot proporcionar respostes precises si els seus paràmetres no s’han entrenat amb informació pertinent.
En una plataforma d’IA d’ús general o especialitzada, els pipelines de RAG funcionen al costat d’un LLM o d’un grup d’LLM. Es connecten a fonts d’informació externes per complementar el context d’entrada que es proporciona al model de llenguatge, i aquesta és, en essència, la diferència entre la RAG i els LLM.
La decisió de recuperar informació addicional o basar-se exclusivament en el coneixement paramètric es pot prendre a nivell de l’orquestrador, normalment amb lògica basada en regles, o fins i tot la pot prendre el mateix LLM.
Quina diferència hi ha entre la RAG i l’MCP?
La RAG i el Model Context Protocol (MCP) s’entenen millor com a tecnologies complementàries. L’MCP és un estàndard obert per crear una arquitectura que permet a les eines d’IA accedir a funcionalitats, recursos i indicacions externs mitjançant un únic punt d’accés.
Quan una eina d’IA es connecta a un servidor MCP, el servidor exposa totes les primitives (eines MCP, recursos i indicacions) a les quals el client té permís per accedir. El client és el component que estableix la connexió entre l’orquestrador, al costat del client, i el servidor. De vegades, això pot implicar exposar bases de dades i fonts d’informació, i en aquest cas l’MCP actua com a intermediari a la capa de recuperació d’un pipeline de RAG.
Quina diferència hi ha entre la RAG i una API?
Una API és una interfície definida que dues aplicacions poden utilitzar per enviar-se sol·licituds entre elles. La RAG és el procés mitjançant el qual els LLM poden accedir a informació externa per millorar i ampliar els seus resultats.
La RAG sovint utilitza crides a l’API per recuperar informació. En la recuperació d’informació de la cerca web, per exemple, l’orquestrador formularà una sol·licitud a l’API del motor de cerca corresponent a partir de la indicació de l’usuari.
Per què és important la RAG i com continuarà evolucionant
La RAG és important perquè els LLM estan limitats de manera inherent per les seves dades d’entrenament. Hi ha grans quantitats d’informació, des de l’actualitat fins al coneixement privat de les empreses, a les quals no tenen accés. La RAG resol aquest problema sense requerir una quantitat prohibitiva de recursos.
Tanmateix, la recuperació d’informació per si sola no és suficient, i per això la RAG continuarà evolucionant. La RAG és una part important de la recerca actual en IA i se centra a millorar els sistemes perquè retornin la informació correcta en una gran varietat de formats i la valorin i prioritzin de manera eficaç.
A mesura que la RAG es fa més potent, també augmenta la utilitat dels sistemes d’IA en aplicacions importants per a consumidors i empreses. Aquestes inclouen l’atenció al client, la cerca web, la programació, els assistents personals, la recerca especialitzada i molt més.