Totemize
  • Rutas totémicas
  • Precios
  • Quiénes somos
Iniciar sesiónÚnete gratis
Únete gratis
Ctrl+K
Modelo mental
  • Base de conocimiento
  • Cloud
    • Azure
      • Web Apps
        • App Service
        • App Service Plan
        • Configuración
        • Managed Identity
        • Deployment Slots
        • Networking
        • Observabilidad
      • Storage Accounts
        • Blob Storage
        • Containers
        • Azure Files
        • Queue Storage
        • Table Storage
        • Redundancia
        • Access Tiers
        • Lifecycle Management
        • Seguridad y red
  • Frontend
    • React
      • Componentes
      • Props y Estado
      • Hooks
      • Renderizado de listas
  • IA
    • Fundamentos
      • Determinismo y probabilismo
      • LLM
      • Proveedor
      • Modelos fundacionales
      • Plataforma
      • Mapa del ecosistema
      • Entrenamiento y fine-tuning
      • Tokens
      • Ventana de contexto
      • Inferencia y sampling
      • Alucinaciones y límites
    • Interacción con el modelo
      • Prompts e instrucciones
      • Context engineering
      • Salidas estructuradas
      • Validación
      • Evaluaciones
      • Tool calling
    • Economía de uso
      • API pricing
      • Tokens de entrada y salida
      • Tokens en caché
      • Créditos
      • Suscripciones
      • Límites de uso
      • Selección de modelo
    • Recuperación de conocimiento
      • Vectores
      • Embeddings
      • Chunking
      • Bases de datos vectoriales
      • Búsqueda semántica
      • Búsqueda híbrida y reranking
      • Retrieval
      • RAG
      • Citas y grounding
      • LlamaIndex
    • Agentes
      • Workflows
      • Anatomía de un agente
      • Harness
      • Agentic loop
      • Planificación y human-in-the-loop
      • Memory
      • Permisos
      • Verification
      • MCP
      • Orquestación
      • Multiagentes
      • A2A
      • Frameworks de agentes
        • Microsoft Agent Framework
        • OpenAI Agents SDK
        • Google ADK
        • LangGraph
    • Coding agents
      • Skills
      • Spec-Driven Development
      • Claude Code
        • CLAUDE.md
        • Commands
        • Hooks
        • Plugins
        • Permisos
        • Subagents
      • Codex
        • CLI
        • Extensión de IDE
        • Codex app
        • Cloud
        • AGENTS.md
        • Worktrees
      • Cursor
        • Agent mode
        • Rules
        • Models
        • Precio por uso
  • Soporte
  • Comentarios
  1. IA
  2. Recuperacion
Árbol de habilidades

Citas y grounding

1 min de lecturaActualizado el 9 jul 2026

Grounding significa limitar una respuesta a evidencia autorizada y disponible. Una cita muestra al lector qué fuente respalda una afirmación. Se complementan, pero no son lo mismo: una respuesta puede incluir enlaces decorativos sin estar fundamentada, o estar fundamentada y no exponer la procedencia.

El contrato de una respuesta grounded

  1. cada fragmento recuperado lleva un ID y metadata estable;
  2. el modelo recibe los fragmentos claramente separados de las instrucciones;
  3. las afirmaciones verificables apuntan a los IDs que las respaldan;
  4. el sistema comprueba que esos IDs existen y pertenecen al contexto entregado;
  5. si falta evidencia, la respuesta pregunta, se abstiene o declara el límite.

No pidas al modelo que recuerde una URL. Entrega la URL junto al fragmento y construye la cita desde metadata controlada por tu aplicación.

Qué debes validar

  • Entailment: la fuente realmente sostiene la afirmación, no sólo habla del tema.
  • Cobertura: las afirmaciones importantes tienen respaldo.
  • Procedencia: documento, versión, sección y permisos son correctos.
  • Vigencia: la fuente no está obsoleta frente a otra más reciente.
  • Acceso: la cita no revela un título o enlace que el usuario no puede consultar.

Evitar una falsa sensación de seguridad

Una cita puede ser inventada, apuntar al fragmento equivocado o respaldar sólo una parte de la frase. Valida IDs de forma determinística y evalúa soporte semántico sobre un conjunto de casos. Para alto impacto, conserva revisión humana o consulta directa al sistema de registro.

Los documentos recuperados también son entrada no confiable. Pueden contener instrucciones maliciosas; trátalas como datos y no permitas que reemplacen las políticas de la aplicación.

Diseña la abstención

«No encontré evidencia suficiente en las fuentes disponibles» es mejor que completar el hueco. Registra la abstención: puede revelar un problema de cobertura, chunking, permisos o consulta, no necesariamente una limitación del modelo.

Temas relacionados

La evidencia nace en Retrieval, se usa en RAG y reduce el riesgo descrito en Alucinaciones y límites.