RAG híbrido: combinar búsqueda semántica y por palabras clave sin respuestas inventadas
Publicado el 2026-10-26 por frfrand
Hybrid search, filters, and citations for AI assistants with documents
Tu asistente responde muy bien preguntas generales, pero falla cuando le preguntan por el número exacto de una factura o el nombre de una función. La búsqueda semántica es buena para significado; la búsqueda por palabras exactas resuelve otros casos. Combinarlas suele funcionar mejor.
Vamos a bajarlo a tierra: qué significa, cómo se prueba y qué pasa cuando lo usás con clientes o información real. La mayoría de los problemas no se arregla con un botón mágico, sino con pasos que podés repetir y medir.
Qué es RAG híbrido y por qué importa
RAG recupera documentos relevantes y los usa como contexto para responder. La búsqueda híbrida combina señales léxicas (por ejemplo BM25) y vectoriales, y puede utilizar reranking y filtros de permisos. Recuperar texto no garantiza que el modelo lo cite o interprete correctamente.
Una cosa es que una demo funcione cinco minutos y otra es sostener un servicio todos los días. Para eso necesitás límites, permisos, registros de actividad y procedimientos para resolver fallos sin improvisar.
Ejemplo de implementación o diagnóstico
// Flujo conceptual
pregunta
-> aplicar filtro de Empresa/cliente permitido
-> buscar BM25 por palabras exactas
-> buscar embeddings por similitud semántica
-> fusionar y reordenar resultados
-> pasar fragmentos citables al modelo
-> verificar que la respuesta corresponde a fuentes autorizadasEs una referencia didáctica, no una plantilla que debas ejecutar a ciegas en producción. Sustituí los valores de ejemplo, elegí identidades con permisos mínimos y asegurate de que ninguna clave sensible termine en un log o repositorio.
Cómo lo pondría a funcionar
- Prepará documentos limpios con identificador, fecha, origen y permisos.
- Indexá contenido para búsqueda léxica y vectorial, guardando referencias.
- Probá consultas difíciles: nombres exactos, IDs y preguntas semánticas.
- Fusioná resultados y mostrale al modelo fragmentos con fuentes claras.
- Evaluá respuestas correctas, alucinaciones y filtraciones entre clientes.
Después de cada paso, verificá un resultado concreto: una acción autorizada, un estado HTTP, una tarea procesada, un costo registrado o una métrica estable. Si algo no funciona, comprobá cuál fue el primer fallo antes de reintentar en bucle.
Un ejemplo que puede aparecer en un proyecto real
Una agencia quiere que un agente consulte documentación de varios proyectos. Si el cliente A pregunta por una API suya, el buscador no debe traer fragmentos internos del cliente B aunque sean semánticamente parecidos.
Si esa aplicación tiene varios clientes, separá contextos y recursos. Es especialmente importante cuando un chatbot o un agente puede consultar datos: la facilidad de conectar herramientas no debe saltarse los límites de privacidad y autorización.
El error más común
No pongas el filtro de permisos únicamente después de generar la respuesta. Los documentos privados deben quedar fuera de la recuperación no autorizada desde el principio.
Una configuración con buenos valores predeterminados ayuda, pero no elimina la necesidad de pruebas. Para servicios que escriban datos o disparen acciones, contempla reintentos, duplicados y fallos a mitad de camino.
¿Dónde entra ArduMaker?
Puedes desplegar un backend RAG y PostgreSQL en ArduMaker, e integrarlo con MCP o Router IA si el diseño lo requiere. La calidad depende de los datos, los permisos y la evaluación, no solo de cambiar el modelo.
Con ArduMaker puedes alojar el backend en un VPS, desplegar desde Git, configurar un dominio HTTPS y utilizar herramientas de bases de datos, servicios y MCP según el proyecto. Eso facilita reunir operaciones en un entorno, aunque las reglas de negocio y de seguridad siguen siendo responsabilidad del software.
Qué mediría para saber si mejoró
No mediría solo «funciona/no funciona». También revisaría el consumo de recursos, los errores, los tiempos de respuesta o el gasto de API, según la funcionalidad. Define una medida de éxito antes del cambio y compárala con el mismo escenario después.
Si un dato parece extraño, comprueba la muestra y la ventana temporal. Un promedio puede ocultar casos extremos, y una única ejecución exitosa no demuestra que una automatización soporte miles de solicitudes.
Preguntas frecuentes
¿Necesito una infraestructura grande para empezar? No necesariamente. Primero resuelve el problema con una arquitectura simple y mide el punto donde empieza a quedarse corta.
¿Qué pasa si falla el proveedor externo? Necesitas timeouts, política de reintentos y una respuesta útil para el usuario. No asumas que las APIs externas están siempre disponibles.
¿Cómo mantengo el control? Registra eventos importantes, separa permisos y conserva un procedimiento probado para deshacer cambios o recuperar información.
Referencias para seguir
La idea final: automatizar y medir vale la pena cuando también sabes detectar un error, limitar sus efectos y recuperarte.