Saltar al contenido principal
Generación aumentada por recuperación

RAG Chatbot para
Sitio web y documentación

Un chatbot RAG para sitios web, documentación y centros de ayuda que recupera información de tu propio contenido para fundamentar las respuestas. ChattyBox está diseñado para responder preguntas como «¿Qué incluye el plan Pro?» usando tus páginas publicadas y puede proporcionar enlaces a las fuentes, sin necesidad de crear ni alojar una infraestructura de recuperación personalizada.

¿Qué es RAG?

RAG combina un modelo de lenguaje con contenido fuente recuperado. Antes de generar una respuesta, el chatbot busca en tus páginas publicadas los pasajes que coinciden con la pregunta.

Si tu prioridad es la confianza en las respuestas, combina este flujo de recuperación con un chatbot de IA fundamentado diseñado para reducir las respuestas inventadas mediante restricciones de fuente y respuestas de respaldo.

1

Recuperar

Cuando un visitante hace una pregunta, ChattyBox busca pasajes relevantes en el contenido indexado de sitios web, documentación, ayuda y CMS.

2

Aumentar

Esos pasajes fuente se añaden como contexto para que el modelo tenga algo concreto a partir de lo cual responder.

3

Generar

El modelo genera una respuesta concisa y puede incluir enlaces fuente para que los visitantes verifiquen los detalles.

Evidencia editorial probada

El recorrido RAG completo, desde la fuente hasta la respuesta citada

Un sistema RAG fiable es una cadena de etapas comprobables, no una única llamada al modelo. La siguiente arquitectura de referencia genérica ilustra comprobaciones de preparación de contenido, recuperación, generación y citas; no es una especificación de las capacidades de ChattyBox.

Autor técnico
Ingeniería de ChattyBox
Revisor técnico
Revisión de documentación de ChattyBox
Última actualización
Información verificada
9 de julio de 2026

Se revisa cuando cambia el comportamiento de recuperación y al menos cada seis meses.

Diagrama de arquitectura RAG que muestra las etapas de rastreo, análisis, fragmentación, generación de embeddings, recuperación, prompt, respuesta y cita
Las fuentes se preparan en un índice y el chatbot busca pasajes para fundamentar las respuestas. Las respuestas pueden incluir enlaces a las páginas recuperadas, que los usuarios pueden consultar para comprobar si las respaldan.
Cada etapa tiene una salida y una comprobación de calidad distintas; probar solo la prosa final oculta defectos de indexación y recuperación.
EtapaEjemplo de operaciónControl a verificar
Etapa
1. Rastreo
Ejemplo de operación
Descubre las páginas permitidas a partir de URL y sitemaps.
Control a verificar
Las URL esperadas están presentes; las rutas excluidas y privadas están ausentes.
Etapa
2. Análisis
Ejemplo de operación
Extrae el texto útil de la página y conserva la información de la fuente para su recuperación.
Control a verificar
Se elimina el ruido de navegación sin perder comandos ni etiquetas de versión.
Etapa
3. Fragmentación
Ejemplo de operación
Divide el contenido en pasajes que conservan la URL de su página fuente.
Control a verificar
Cada pasaje se entiende por sí solo y conserva los requisitos previos.
Etapa
4. Generación de embeddings
Ejemplo de operación
Representa los pasajes para la coincidencia semántica y almacena los metadatos de origen.
Control a verificar
Cada vector se asigna a un pasaje de origen actual y permitido.
Etapa
5. Recuperación
Ejemplo de operación
Ordena un pequeño conjunto de pasajes frente a la pregunta del visitante.
Control a verificar
Las pruebas de Recall@k colocan el pasaje de referencia en el conjunto de contexto.
Etapa
6. Prompt
Ejemplo de operación
Combina la pregunta, los pasajes, los metadatos de origen y las reglas de respaldo.
Control a verificar
Revisa las instrucciones para detectar conflictos con las pautas de fundamentación y de respuesta de respaldo; los prompts por sí solos no pueden garantizar su cumplimiento.
Etapa
7. Respuesta
Ejemplo de operación
Indica al modelo que use detalles fundamentados o rechace responder cuando la evidencia sea insuficiente.
Control a verificar
Comprueba las afirmaciones frente al contexto; la falta de contexto utilizable o una laguna de contenido detectada pueden activar una respuesta de respaldo.
Etapa
8. Cita
Ejemplo de operación
Devuelve las URL de páginas recuperadas para respuestas fundamentadas; comprueba que respalden la respuesta.
Control a verificar
Los enlaces se resuelven, coinciden con la versión y respaldan directamente la afirmación.

Actualización y reindexación

El contenido modificado debe obtenerse y almacenarse antes de que ChattyBox pueda utilizarlo. La recuperación vectorial depende de embeddings actualizados; en algunos casos, la alternativa basada en páginas almacenadas puede proporcionar contexto sin fragmentos coincidentes. Las actualizaciones y la recuperación aún pueden retrasarse o fallar, así que prueba respuestas representativas frente a fuentes actuales, especialmente para precios, políticas y documentación versionada.

Límites de fuentes públicas y privadas

Las páginas públicas pueden compartir un mismo alcance de rastreo. Los datos privados, de cada cliente, de empleados o de cuentas necesitan ingesta autenticada y autorización en el momento de la recuperación antes de que los pasajes entren en el prompt. Las reglas de robots no son control de acceso. Nunca indexes secretos y comprueba que las identidades no autorizadas no puedan recuperar títulos, fragmentos, URL ni detalles de respuestas de fuentes restringidas.

Evalúa la recuperación antes de juzgar la redacción

Usa un conjunto versionado de preguntas con pasajes de origen conocidos, afirmaciones esperadas y casos de respaldo esperados. Ejecútalo tras cambios de origen, fragmentación, embeddings, clasificación o prompt, e inspecciona los fallos por etapa.

SeñalCómo medirlaFallo que expone
Señal
Recall@k
Cómo medirla
Proporción de preguntas respondibles en las que un pasaje de referencia aparece entre los k resultados principales.
Fallo que expone
Cobertura de rastreo incompleta, fragmentos deficientes, desajuste de vocabulario o embeddings obsoletos.
Señal
Calidad de la clasificación
Cómo medirla
Registra el rango recíproco o el nDCG de los pasajes relevantes evaluados.
Fallo que expone
Existe una página relevante pero el ruido o una versión obsoleta la superan en la clasificación.
Señal
Respaldo de afirmaciones
Cómo medirla
Revisa cada afirmación material frente a los pasajes suministrados al modelo.
Fallo que expone
La respuesta combina suposiciones con evidencia o exagera la fuente.
Señal
Precisión de las citas
Cómo medirla
Verifica que cada cita se resuelva y respalde directamente la afirmación asociada.
Fallo que expone
La respuesta correcta enlaza a una página solo relacionada o a la versión equivocada.
Señal
Precisión y exhaustividad del respaldo
Cómo medirla
Incluye preguntas no respondibles y de fuentes conflictivas; puntúa las declinaciones correctas y las respuestas omitidas.
Fallo que expone
El bot conjetura sin evidencia o se niega a pesar de haber evidencia suficiente.
Señal
Retraso de actualización
Cómo medirla
Mide el tiempo desde un cambio publicado en la fuente hasta una respuesta recuperada correcta.
Fallo que expone
Retraso de rastreo, fragmentos obsoletos duplicados o propagación de eliminación fallida.

Elige RAG para conocimiento cambiante y atribuible

MétodoMejor encajeLímite importante
Método
Búsqueda por palabras clave o en el sitio
Mejor encaje
Los usuarios quieren páginas ordenadas y leerán la fuente por sí mismos.
Límite importante
No sintetiza una respuesta y puede pasar por alto coincidencias semánticas.
Método
RAG
Mejor encaje
El conocimiento cambia, las citas importan y las respuestas abarcan unos pocos pasajes.
Límite importante
La calidad depende de la cobertura de rastreo, la recuperación, los permisos y la calidad de la fuente.
Método
Ajuste fino
Mejor encaje
Enseña un estilo, formato, clasificación o comportamiento de tarea estables.
Límite importante
No es un reemplazo fiable de datos actuales, citas o eliminación de fuentes.
Método
Prompts de contexto largo
Mejor encaje
Un conjunto de documentos acotado cabe en el contexto y todos los elementos son relevantes.
Límite importante
El coste y el ruido crecen con el contexto; los permisos y la actualización siguen necesitando controles.

Cómo evaluar un chatbot RAG para atención al cliente

No existe una opción universalmente mejor. Prueba la fidelidad de las citas, el comportamiento alternativo, la actualidad de las fuentes, el contenido contradictorio, el escalado, los límites del contexto privado, los análisis, las integraciones y el esfuerzo de implementación con las mismas preguntas de soporte.

Respuestas sobre contenido público

Un chatbot RAG enfocado puede responder preguntas repetidas a partir de documentos y artículos de ayuda aprobados, con citas y un comportamiento alternativo conservador.

Acciones de cuenta y gestión de casos

Elige una suite de soporte más amplia cuando necesites acciones de cuenta autenticadas, enrutamiento de tickets, SLA, espacios de trabajo para agentes u operaciones multicanal.

Ejecuta las mismas pruebas de límites

Incluye preguntas con información ausente, desactualizada, contradictoria, privada y de alto impacto. Registra URL citadas, rechazos, derivaciones y notas del revisor en lugar de publicar una puntuación no verificada.

Planifica el límite de soporte y escalado · Evalúa las pruebas de fuentes enlazadas · Usa la lista de verificación para reducir alucinaciones

Recorrido de fuente a respuesta

Supón que la página de instalación indexada indica que el script del widget debe ir justo antes de la etiqueta body de cierre. La recuperación debería seleccionar ese pasaje, el prompt debería prohibir consejos de ubicación sin respaldo y la respuesta debería exponer la instrucción con la página de instalación adjunta como evidencia.

  1. 1. Se genera un embedding de la pregunta y se compara con los fragmentos permitidos.
  2. 2. El pasaje de instalación se clasifica por encima de páginas más amplias del widget.
  3. 3. El modelo recibe instrucciones para responder usando el detalle de ubicación de ese pasaje.
  4. 4. La tarjeta de origen enlaza al usuario con la página exacta de documentación.

Continúa con las guías sobre citas de fuentes, Chatbot para Docusaurus con fuentes citadas, chatbots de documentación para desarrolladores y el Chatbot de IA para MkDocs con citas de fuentes.

Asistente de documentación
¿Dónde debo añadir el script del widget?
Añade el script del widget de ChattyBox justo antes de la etiqueta body de cierre en cada página donde deba aparecer el widget.

Conversación ilustrativa: no es un chat en directo.

Con tecnología de ChattyBox

Cómo mantiene ChattyBox la recuperación de forma práctica

Índice de contenido con búsqueda

Tus páginas de sitio web, documentación, centro de ayuda y CMS se indexan para que el chatbot pueda buscar el contenido que ya publicas.

Modelo de incrustaciones

Las incrustaciones ayudan a relacionar las preguntas de los visitantes con pasajes fuente relevantes incluso cuando la redacción es distinta.

Recuperación enfocada

ChattyBox busca contenido relevante de las fuentes para proporcionarlo como contexto; si no hay contexto utilizable, puede devolver una respuesta de respaldo.

Prompts limitados al contexto

Se indica al modelo que responda a partir del contexto recuperado y evite afirmaciones sin fundamento. Estas instrucciones no garantizan una respuesta correcta.

Enlaces de citas

Las respuestas fundamentadas pueden incluir enlaces a páginas fuente recuperadas para que los usuarios las revisen. Las respuestas de respaldo pueden no tener citas.

Manejo de respaldo

Cuando falta contenido relevante, el bot puede recurrir a un respaldo en lugar de improvisar una respuesta sin apoyo.

RAG chatbot frente a chatbot genérico de IA

Un chatbot genérico responde a partir de la amplia memoria del modelo y puede parecer seguro sobre cosas que desconoce. Un chatbot RAG recupera primero contenido de tus páginas y recibe instrucciones para usarlo; los enlaces a las fuentes pueden ayudar a los usuarios a verificar la respuesta, pero no se garantiza su exactitud.

Chatbot genérico de IA
  • —Respuestas de la memoria amplia del modelo, no de su contenido.
  • —Puede inventar funciones, precios o pasos que no están en sus documentos.
  • —No hay una fuente clara para verificar la respuesta.
RAG chatbot
  • Recupera primero el contenido de ayuda, los documentos y el sitio web publicado.
  • Puede usar una respuesta de respaldo configurada cuando la recuperación no aporta suficiente información para responder.
  • Puede citar páginas de respaldo para que los visitantes revisen la evidencia de las afirmaciones relevantes.

Cuando las citas sean prioritarias, combina la recuperación con un chatbot de IA con citas de fuentes que vincula las respuestas respaldadas con sus páginas de origen.

RAG sin reconstruir tu pila de contenido

Conecta tu contenido de sitio existente, prueba la calidad de las respuestas e incrusta un chatbot con citas de fuentes cuando las respuestas se vean correctas.

Empieza gratis, sin tarjeta de crédito