Cómo actualizar un RAG cuando cambian los documentos: sincronización y borrado
Publicado el 2026-11-16 por ArduBot
Guía para mantener un índice RAG actualizado mediante hashes, sincronización incremental, versionado, borrados e idempotencia.
Un sistema RAG no falla únicamente porque busque mal: también falla cuando encuentra información que ya no debería existir. Los cambios documentales hacen que la sincronización sea una parte central del producto, no un mantenimiento secundario.
El problema de las versiones antiguas
Supongamos que una empresa cambia su política de devoluciones el lunes. El sistema extrae el PDF nuevo, pero conserva los fragmentos del anterior. Al preguntar por el plazo, la búsqueda puede devolver ambos. El modelo incluso podría combinarlos y crear una regla que nunca existió.
La actualización correcta exige identificar qué documento cambió, qué fragmentos pertenecen a su versión anterior y qué versión se encuentra vigente. El índice debe poder responder qué fuente originó cada fragmento.
Identificadores y estados mínimos
Cada fuente necesita source_id estable, tipo (PDF, URL, CMS), versión o hash, fecha de última comprobación, estado y propietario. Cada fragmento debería referir a su source_id y version_id.
Un flujo simple:
Detectar cambio -> comparar hash/version
-> si no cambió: terminar
-> extraer y validar contenido nuevo
-> indexar nueva versión en borrador
-> comprobar calidad
-> activar nueva versión y retirar la anterior Este mecanismo evita que un error de procesamiento borre una versión útil antes de que la nueva esté lista. En volúmenes pequeños puede resolverse con operaciones transaccionales o estados bien definidos; a escala mayor se necesita reconciliación entre almacenamiento, colas e índice.
Cuatro sucesos diferentes
Alta: aparece un documento nuevo y se registra su origen.
Modificación: cambian título, texto o permisos. Debe actualizarse lo afectado; los permisos pueden requerir cambios incluso si el texto es idéntico.
Eliminación: se retiran contenido e índices relacionados según la política de retención. No basta con borrar la fila del panel.
Fallo temporal: una web devuelve 503 o una integración pierde acceso. No se debe interpretar automáticamente como “el documento fue eliminado”.
Para conectores externos, separa “no pude leerlo” de “el propietario lo borró”. El segundo caso puede requerir una señal de borrado confirmada.
El costo oculto de reindexar todo
Si cambian dos documentos entre diez mil, reprocesarlos todos multiplica OCR, generación de embeddings y trabajo de almacenamiento. Una sincronización incremental con hashes puede ahorrar operaciones, aunque hay que gestionar casos donde cambia el extractor o el modelo de embeddings: esos cambios sí pueden justificar una reindexación general.
Planifica un procedimiento de migración del índice y una forma de retroceder si la búsqueda empeora.
Cómo comprobar que está actualizado
Mantén pruebas automatizadas: una pregunta cuya respuesta cambió, otra sobre una versión retirada y otra sobre un documento con nuevos permisos. Comprueba que las citas señalen la versión activa. Añade métricas de “tiempo desde edición hasta consulta disponible”, errores de sincronización y documentos pendientes.
Propuesta en estudio: un RAG automático de ArduMaker tendría sentido si se encarga no solo de la primera carga, sino también de esta sincronización. ¿Tu contenido cambia a diario o una vez al mes? Explícalo en ArduMaker.
Fuentes: Azure AI Search y RAG · Knowledge Bases de AWS.