Modelos de IA, contexto y memoria: qué significa cada cosa
Diferencias entre modelo, ventana de contexto, memoria de producto, RAG y agente. Una explicación para entender qué sabe una IA, qué ve en cada petición y qué puede conservar.
Modelo: la capacidad base
Un modelo se entrena previamente y aprende patrones de lenguaje, código, imágenes u otros datos según su diseño. Cuando conversas con una aplicación, normalmente no estás reentrenando ese modelo con cada mensaje. Estás aportando información temporal que influye en la respuesta.
Contexto: lo que está disponible ahora
El contexto puede incluir tu mensaje, instrucciones de la aplicación, partes de la conversación, archivos y resultados de herramientas. Tiene límites. Si una conversación o documento excede lo que el sistema puede procesar de una vez, la aplicación puede resumir, seleccionar o recuperar solo partes.
Por eso “se lo dije hace meses” no garantiza que esté presente en una petición actual. Depende del producto y de si implementa alguna forma de memoria.
Memoria: una función de la aplicación, no una propiedad mágica
Una aplicación puede guardar preferencias o hechos y volver a incluirlos en conversaciones futuras. Esa memoria puede ser editable, resumida o seleccionada por reglas. No debe confundirse con parámetros del modelo ni con una base de conocimiento.
Desde el punto de vista de privacidad, importa saber qué se guarda, durante cuánto tiempo y cómo se puede corregir o eliminar según el servicio.
RAG: traer conocimiento externo cuando hace falta
RAG busca fragmentos de documentos y los añade al contexto de una pregunta. Es útil cuando la información cambia o pertenece a una organización. No significa que el modelo haya aprendido permanentemente esos documentos.
Si quieres profundizar, consulta nuestra explicación de RAG con ejemplos y evaluación.
Agente: contexto + decisiones + herramientas
Un agente puede usar el modelo para decidir qué herramienta llamar, incorporar el resultado al contexto y continuar. Puede además mantener estado entre pasos. Esto introduce capacidad operativa, pero también riesgo: cada herramienta añade permisos y posibilidades de error.
| Concepto | Pregunta que responde |
|---|---|
| Modelo | ¿Qué capacidad base genera o interpreta? |
| Contexto | ¿Qué información ve en esta interacción? |
| Memoria | ¿Qué conserva la aplicación entre interacciones? |
| RAG | ¿Qué información externa recupera? |
| Agente | ¿Qué pasos y herramientas puede ejecutar? |
Cómo diagnosticar un fallo
Si una respuesta ignora un dato, pregunta primero si ese dato estaba realmente en el contexto. Si usa información antigua, revisa la fuente recuperada. Si “recuerda” algo incorrecto, mira la memoria de producto. Separar capas evita culpar al modelo de un problema de integración.
Checklist para aplicarlo
- Distingo modelo de aplicación.
- Sé qué información entra en el contexto.
- No asumo que una conversación larga se conserva entera.
- Conozco si el producto tiene memoria y cómo funciona.
- Las fuentes de RAG tienen versión y permisos.
- Un agente solo dispone de las herramientas necesarias.
- Puedo identificar en qué capa ocurre un error.
Preguntas frecuentes
¿Hablar con una IA la entrena automáticamente?
No necesariamente. El uso de conversaciones para mejorar modelos depende del producto y de sus condiciones; la interacción en sí no equivale a reentrenamiento inmediato.
¿Memoria y RAG son lo mismo?
No. La memoria suele conservar información sobre la interacción o usuario; RAG recupera información de una colección externa.
¿Más contexto siempre mejora la respuesta?
No. Contexto irrelevante o contradictorio puede empeorarla. La selección de información importa tanto como el tamaño disponible.
Fuentes y documentación para ampliar
Priorizamos documentación primaria y organismos especializados. Las funciones, límites y condiciones de servicios pueden cambiar; comprueba la versión vigente antes de tomar una decisión.