Grounding y RAG en Google Cloud
Anclar las respuestas del modelo en fuentes verificables (datos propios, de terceros o del mundo) eligiendo entre RAG prebuilt, o grounding con según el origen del dato.
1. El problema de negocio
Un servicio de información al paciente de una red de farmacias quiere que un asistente responda con precisión sobre la disponibilidad y las condiciones de cada medicamento en su catálogo interno, que se actualiza a diario. Las respuestas actuales del asistente se basan solo en lo que el modelo aprendió durante su entrenamiento y ya no coinciden con el catálogo real.
2. Solución de Google: RAG prebuilt con Agent Search
- Servicio
- RAG prebuilt con
- Capa
- Plataforma
- Por qué
- (antes Vertex AI Search) cubre los pasos de recuperación, aumento, generación e iteración del RAG: busca la ficha vigente del catálogo, la inyecta en el prompt, genera la respuesta y puede repetir la búsqueda si hace falta, sin reentrenar nada y con un esfuerzo operativo mínimo para el equipo.
Ver la capa en el mapa de 5 capas
Capa 5Aplicaciones
La parte con la que interactúa el usuario final.
- Gemini app
- Gemini Enterprise
- Google Workspace with Gemini
- Gemini Notebook
- Gemini for Google Cloud
Capa 4Agentes
Software que persigue un objetivo usando un modelo y herramientas.
- Agentes en Agent Platform
- Gemini Enterprise for Customer Experience
Capa 3Plataforma[Capa de esta lección]
APIs, gestión de datos y despliegue de modelos; abstrae la infraestructura.
- Agent Studio
- Agent Search
- Model Garden
- Agent Platform AutoML
- RAG Engine
- Agent Runtime
Capa 2Modelos
Algoritmos entrenados con grandes volúmenes de datos que generan contenido.
- Gemini
- Gemma
- Imagen
- Veo
Capa 1Infraestructura
Cómputo y almacenamiento físico para entrenar y servir modelos.
- AI Hypercomputer
- Cloud TPU
- GPU
- Centros de datos de Google
3. Límites
- No la uses si
- Los datos que hay que consultar no son propios de la farmacia, sino información pública y actual de la web.
- Variable que fuerza el cambio
- Frescura del dato
- Alternativa
- Grounding con Google Search, cuando la respuesta depende de datos del mundo en lugar del catálogo propio.
4. La trampa habitual
- [✗] Distractor
- Reentrenar el modelo cada cierto tiempo con el catálogo actualizado de medicamentos para que responda con los datos más recientes.
- Por qué tienta
- Parece garantizar que el modelo conoce el catálogo más reciente.
- Por qué es incorrecto
- El catálogo cambia a diario y un reentrenamiento periódico siempre queda desfasado entre ciclos; RAG consulta el dato vigente en cada pregunta, sin reentrenar nada.
5. Micro-check
Fuentes oficiales
APIs de Agent Platform para construir un RAG propio pieza a pieza: parseo de documentos, embeddings, búsqueda vectorial, ranking semántico y generación fundamentada. RAG Engine orquesta ese flujo como servicio gestionado, desde la ingesta y la indexación hasta la recuperación.
Ficha de RAG APIsFunción de Agent Platform que conecta las respuestas de Gemini con los resultados del buscador de Google sobre la web pública, para anclarlas en información actual y verificable y devolver enlaces a las fuentes consultadas.
Ficha de Grounding con Google SearchServicio gestionado de Agent Platform para crear experiencias de búsqueda y recomendaciones con IA sobre sitios web, documentos y datos estructurados propios. Funciona como RAG prebuilt listo para usar: indexa los datos, los recupera en cada consulta y genera resúmenes.
Ficha de Agent Search