---
title: "Corrective RAG y Self-RAG: patrones de recuperación autocorrectivos para reducir alucinaciones"
description: "Corrective RAG (CRAG) y Self-RAG son patrones de recuperación autocorrectivos."
locale: "es"
canonical: "https://blckalpaca.at/es/base-de-conocimiento/agentes-de-ia/sistemas-rag-en-ia-explicados/corrective-rag-y-self-rag-patrones-de-recuperacion-autocorrectivos-para-reducir"
category: "Agentes de IA"
topic: "Sistemas RAG en IA explicados"
updated: "2026-10-28T13:10:40.455Z"
source: "Blck Alpaca e.U., blckalpaca.at"
---

# Corrective RAG y Self-RAG: patrones de recuperación autocorrectivos para reducir alucinaciones

Corrective RAG (CRAG) y Self-RAG son patrones de recuperación autocorrectivos. CRAG evalúa la relevancia de los resultados recuperados y, cuando la calidad es baja, recurre a un fallback de búsqueda web. Self-RAG deja que el propio modelo decida, mediante tokens de reflexión, si necesita recuperar información y si su respuesta está respaldada por las fuentes.

## De un vistazo

- CRAG añade al pipeline de RAG un evaluador de recuperación: los resultados se clasifican como correctos, ambiguos o incorrectos; si la calidad es baja, entra en juego un fallback de búsqueda web en lugar de generar a ciegas sobre un contexto deficiente.
- Self-RAG (Asai et al. 2023, arXiv:2310.11511) entrena al modelo con tokens de reflexión que le permiten decidir por sí mismo si hace falta recuperar información y contrastar su propia respuesta con las fuentes (autocrítica de fidelidad o faithfulness).
- Ambos patrones abordan el problema central de la context-unfaithful generation: alucinaciones a pesar del RAG, cuando el modelo cita fuentes pero se aparta de su contenido.
- Pertenecen a la etapa de Agentic RAG: la recuperación pasa a ser una herramienta que se invoca de forma reflexiva e iterativa, en lugar de un preprocesamiento estático. Singh et al. 2025 presentan CRAG como una arquitectura de Agentic RAG propia; Self-RAG encaja como ejemplo temprano.
- La contrapartida es real: las llamadas adicionales al LLM para evaluación y autocrítica aumentan la latencia y los costes y conllevan el riesgo de bucles de herramientas descontrolados; compensa sobre todo cuando el riesgo de alucinación es alto y las bases de conocimiento están incompletas.
- Punto de partida pragmático para la mayoría de los proyectos: agotar primero la búsqueda híbrida, el re-ranking y los guardrails de fidelidad (RAGAS), y después añadir CRAG/Self-RAG de forma selectiva.

Corrective [RAG](https://blckalpaca.at/es/glosario/rag) (CRAG) y Self-RAG son dos patrones de recuperación autocorrectivos que amplían el esquema clásico de RAG con un control de calidad. CRAG evalúa la relevancia de los resultados recuperados y, cuando la calidad de la recuperación es baja, recurre a un fallback de búsqueda web. Self-RAG deja que el modelo de lenguaje decida por sí mismo, mediante tokens de reflexión, si necesita recuperar información y, después, comprueba si su propia respuesta está respaldada por las fuentes. Ambos apuntan al mismo problema: las [alucinaciones](https://blckalpaca.at/es/glosario/alucinacion-de-ia-ai-hallucination) que se producen a pesar del RAG.

- **CRAG en una frase:** un evaluador de recuperación clasifica los resultados como correctos, ambiguos o incorrectos y, si el contexto es deficiente, activa una medida correctiva en lugar de seguir generando a ciegas.
- **Self-RAG en una frase:** el modelo controla por sí mismo, mediante tokens de reflexión entrenados, cuándo recupera información y si su respuesta encaja con las fuentes.
- **Núcleo común:** ambos pertenecen a la familia de patrones de Agentic RAG y no tratan la recuperación como un preprocesamiento estático, sino como un paso verificable y controlable.

## Por qué el RAG clásico no basta

El RAG estándar (Naive RAG según la taxonomía de Gao et al. 2023, arXiv:2312.10997) sigue un flujo fijo: vectorizar, recuperar, insertar en el [prompt](https://blckalpaca.at/es/glosario/prompt), generar. El problema: el pipeline confía a ciegas en los resultados top-k. Si son semánticamente similares pero irrelevantes en su contenido, o si directamente no existen, el modelo genera una respuesta igualmente y la apoya en fuentes inservibles.

Hay dos patrones de error típicos. En la context-unfaithful generation, el modelo cita fuentes, pero se aparta de su contenido. Las contramedidas habituales son los [guardrails de fidelidad](https://blckalpaca.at/es/base-de-conocimiento/agentes-de-ia/sistemas-rag-en-ia-explicados/evaluacion-rag-comparativa-de-ragas-trulens-y-deepeval), la autocrítica y los prompts que obligan a citar (citation forcing). El segundo patrón de error aparece cuando no hay re-ranking: los resultados top-k suelen ser similares, pero no relevantes. Justo ahí entran CRAG y Self-RAG: hacen que la calidad de la recuperación sea explícitamente verificable y reaccionan en consecuencia.

Para situarlo bien: la mayor palanca contra las alucinaciones sigue estando en la propia calidad de la recuperación. [Anthropic Contextual Retrieval](https://www.anthropic.com/engineering/contextual-retrieval) reduce la tasa de error de recuperación top-20 en un 49 % (del 5,7 al 2,9 %) y, combinado con [re-ranking](https://blckalpaca.at/es/base-de-conocimiento/agentes-de-ia/sistemas-rag-en-ia-explicados/reranking-en-rag-cross-encoder-vs-bi-encoder), en un 67 % (hasta el 1,9 %); se trata de benchmarks del propio proveedor, Anthropic, con datos de septiembre de 2024. La autocorrección es la segunda línea de defensa, no la primera.

## Corrective RAG (CRAG): evaluar los resultados y luego corregir

CRAG añade al pipeline un evaluador de recuperación. Después de la recuperación, pero antes de la generación, este evaluador valora la relevancia de los documentos encontrados y los clasifica en tres clases de confianza:

- **Correct (confianza alta):** los resultados son relevantes. Se refinan (por ejemplo, mediante decompose-recompose, para eliminar ruido) y se pasan al generador.
- **Incorrect (confianza baja):** los resultados no sirven. En lugar de generar sobre un contexto deficiente, se activa un fallback, normalmente una búsqueda web, para incorporar contenido externo actualizado.
- **Ambiguous (confianza media):** hay incertidumbre. Se combinan ambas vías: contexto interno más resultados de la búsqueda web.

El mecanismo decisivo es el fallback de búsqueda web cuando la calidad de la recuperación interna es baja. Así, CRAG compensa una base de conocimiento incompleta o desactualizada sin que el modelo empiece a alucinar. CRAG es independiente del modelo: se puede colocar como nodo adicional delante de cualquier pipeline de RAG existente sin reentrenar el [LLM](https://blckalpaca.at/es/glosario/llm) generador. CRAG se remonta a Yan et al. 2024 (arXiv:2401.15884).

## Self-RAG: el modelo se critica a sí mismo

Self-RAG (Asai et al., University of Washington, arXiv:2310.11511, octubre de 2023) traslada el control al modelo. Se entrena para generar los llamados tokens de reflexión, con los que dirige y evalúa su propio proceso. De forma simplificada, se toman cuatro decisiones:

- **Retrieve?** El modelo decide en cada consulta (o en cada segmento) si la recuperación es realmente necesaria. Las preguntas triviales o ya cubiertas por el conocimiento del modelo no requieren recuperación.
- **Is Relevant?** El modelo evalúa si el pasaje recuperado es relevante para la pregunta.
- **Is Supported?** Tras la recuperación, el modelo comprueba si la afirmación generada está respaldada por el pasaje recuperado: una autocrítica de fidelidad integrada.
- **Is Useful?** El modelo valora en una escala del 1 al 5 lo útil que es la respuesta para la pregunta.

Lo atractivo: el modelo solo recupera información cuando él mismo lo considera necesario (lo que ahorra costes en preguntas sencillas). Durante la generación, Self-RAG produce varios segmentos candidatos, los evalúa mediante una puntuación ponderada a partir de los tokens de crítica (relevancia, respaldo, utilidad) y se queda con el mejor valorado ([Asai et al. 2023](https://arxiv.org/abs/2310.11511)). Negarse a responder o escalar a una persona no forma parte del método, aunque se puede construir sobre estos tokens. El precio: la implementación original de Self-RAG presupone un modelo entrenado específicamente con tokens de reflexión. En la práctica, muchos equipos aproximan ese comportamiento con prompting y un bucle de autocrítica sobre un modelo estándar, lo que resulta más barato de implementar, pero menos fiable que un modelo entrenado para ello.

## Comparativa: CRAG vs. Self-RAG vs. RAG estándar

| Dimensión | RAG estándar (Naive) | Corrective RAG (CRAG) | Self-RAG |
| --- | --- | --- | --- |
| Instancia de control | ninguna | evaluador de recuperación externo | el propio modelo (tokens de reflexión) |
| Decisión de recuperación | siempre | siempre, luego se evalúa | controlada por el modelo (bajo demanda) |
| Reacción ante un contexto deficiente | ninguna, genera igualmente | fallback de búsqueda web / refinamiento | los tokens de crítica evalúan candidatos, gana el segmento mejor valorado |
| Comprobación de fidelidad | requiere una herramienta externa (p. ej., RAGAS) | solo indirecta (el evaluador comprueba los resultados, no la respuesta) | integrada ([token](https://blckalpaca.at/es/glosario/token) Is Supported) |
| Requiere entrenar el modelo | no | no | sí (variante original) |
| Esfuerzo de implementación | bajo | medio | alto (o medio como aproximación por prompt) |
| Latencia / coste por consulta | base | base más llamada al evaluador y, en su caso, búsqueda web | base más pasos de reflexión/crítica |
| Modo de fallo típico | desajuste de chunks, context-unfaithful generation | evaluación errónea del evaluador | bucles descontrolados, costes |

Según la taxonomía de evolución de RAG (Naive, Advanced, Modular, Graph, Agentic), ambos patrones se sitúan en la [etapa de Agentic RAG](https://blckalpaca.at/es/base-de-conocimiento/agentes-de-ia/sistemas-rag-en-ia-explicados/agentic-rag-vs-rag-clasico-cual-es-la-diferencia). Singh et al. 2025 (arXiv:2501.09136) describen Agentic RAG como patrones en los que la recuperación funciona como una herramienta que un [agente](https://blckalpaca.at/es/glosario/agente) invoca de forma dinámica e iterativa, con reflexión, planificación y uso de herramientas. Self-RAG no aparece en este trabajo de revisión, pero encaja como ejemplo temprano, porque es el propio modelo el que decide sobre la recuperación. Singh et al. presentan Corrective RAG como arquitectura propia (Agentic Corrective RAG). Para ser honestos, hay que añadir que en 2026 el término Agentic RAG todavía no está claramente consolidado.

## Ejemplo concreto: base de conocimiento de soporte con lagunas

Supongamos que una agencia gestiona para un cliente B2B un asistente de soporte basado en RAG sobre una base de conocimiento interna. Un usuario pregunta por una funcionalidad que se publicó ayer en una nota de versión que todavía no está indexada.

- **RAG estándar:** recupera los tres documentos antiguos más similares, no encuentra la respuesta y alucina una configuración que suena plausible, pero es incorrecta. Una alucinación clásica a pesar del RAG.
- **CRAG:** el evaluador de recuperación clasifica los resultados como incorrect (baja confianza en la relevancia), lanza una búsqueda web en la documentación pública del producto, encuentra la nota de versión y genera una respuesta correcta con su fuente.
- **Self-RAG:** el modelo clasifica los chunks recuperados como irrelevantes mediante el token Is Relevant y detecta, con el token Is Supported, que ninguna respuesta está respaldada por ellos. Una regla de aplicación construida sobre esto suprime entonces la respuesta sin respaldo y la escala a una persona.

Un cálculo sobre la contrapartida: si una llamada de RAG estándar cuesta, por ejemplo, una invocación al LLM, CRAG añade al menos una llamada al evaluador y, cuando se activa el fallback, el procesamiento de la búsqueda web; un bucle de autocrítica al estilo Self-RAG puede suponer más llamadas según el diseño. En preguntas sencillas, Self-RAG puede incluso ahorrarse el paso de recuperación. Como regla general: la autocorrección no es una mejora gratuita, sino un intercambio consciente de latencia y costes adicionales por un menor riesgo de alucinación. En los sistemas de RAG agénticos se suma un riesgo típico: bucles de herramientas descontrolados que multiplican el coste por consulta.

## Cuándo tienen sentido estos patrones

Los patrones autocorrectivos compensan cuando se cumple al menos uno de estos puntos:

- La base de conocimiento está incompleta o desactualizada, y un fallback a la web o a fuentes de terceros cubre lagunas reales (CRAG).
- Las respuestas erróneas salen caras: derecho, finanzas, soporte regulado, todo lo que implique responsabilidad legal.
- Negarse a responder en caso de incertidumbre es deseable y aceptado (Self-RAG aporta para ello los tokens de crítica).

Tienen menos sentido si la base de conocimiento está completa y bien indexada, si la latencia es prioritaria o si el presupuesto por consulta es ajustado. En esos casos, las medidas más baratas de la etapa de Advanced RAG suelen ofrecer una mejor relación coste-beneficio: búsqueda híbrida (dense más BM25 para no perder códigos exactos), Contextual Retrieval contra los chunks a los que les falta el contexto circundante, re-ranking con cross-encoder y un guardrail de fidelidad con RAGAS en el pipeline de CI. Según [Anthropic](https://www.anthropic.com/engineering/contextual-retrieval), Contextual Retrieval (embeddings contextualizados más BM25 sobre los chunks contextualizados), combinado con re-ranking, reduce la tasa de error de recuperación hasta en un 67 %. Solo después merece la pena añadir CRAG o Self-RAG de forma selectiva en las rutas críticas.

## Para agencias y responsables de decisiones B2B

Para las agencias, el mensaje a los clientes es claro: los patrones de recuperación autocorrectivos no son una funcionalidad estándar que se activa sin más, sino una inversión específica para casos de uso con alto riesgo de alucinación. El camino pragmático pasa por una línea base medible (medir la calidad de la recuperación y la fidelidad con RAGAS) y añade CRAG o Self-RAG solo donde las cifras lo justifiquen. En proyectos B2B en Europa hay que tener en cuenta, además, que un fallback de búsqueda web (CRAG) debe estar alineado con la gobernanza de protección de datos y de fuentes, ya que de repente entra contenido externo en la cadena de respuesta. Blck Alpaca diseña [arquitecturas RAG](https://blckalpaca.at/es/servicios/agentes-ia-empresas) de forma que la autocorrección esté donde marca la diferencia y no infle costes y latencia en todas partes.

## Preguntas frecuentes

### ¿Cuál es la diferencia entre Corrective RAG y Self-RAG?

CRAG coloca un evaluador de recuperación independiente antes de la generación: evalúa la relevancia de los resultados recuperados y, si la calidad es baja, activa un fallback de búsqueda web o un refinamiento del conocimiento. Self-RAG traslada el control al propio modelo: mediante tokens de reflexión entrenados, el LLM decide si recupera información y después evalúa si su propia respuesta está respaldada por las fuentes. Es decir, CRAG corrige el paso de recuperación; Self-RAG, todo el proceso de decisión y generación.
### ¿Reducen de verdad las alucinaciones los patrones de RAG autocorrectivos?

Atacan de forma específica el patrón de error de la context-unfaithful generation, es decir, las alucinaciones a pesar del RAG. Al detectar un contexto deficiente (CRAG) o contrastar la propia respuesta con las fuentes (Self-RAG), disminuye el riesgo de que el modelo siga generando libremente a partir de resultados irrelevantes. Aun así, la mayor palanca sigue siendo una buena calidad de recuperación: según Anthropic, Contextual Retrieval (embeddings contextualizados más BM25 sobre los chunks contextualizados), combinado con re-ranking, reduce la tasa de error de recuperación hasta en un 67 %, antes de que la autocorrección tenga siquiera que intervenir.
### ¿Cuánto esfuerzo de implementación requieren CRAG y Self-RAG?

CRAG se puede implementar con un esfuerzo moderado mediante frameworks existentes (LangGraph, LlamaIndex, Haystack, a fecha de 2026) como nodo evaluador adicional en el pipeline y no requiere adaptar el modelo. Self-RAG en su forma original (Asai et al. 2023) presupone un modelo entrenado con tokens de reflexión, lo que supone bastante más trabajo; las variantes prácticas aproximan ese comportamiento con prompting y un bucle de autocrítica sobre un modelo estándar.
### ¿Cuándo compensan estos patrones y cuándo no?

Compensan cuando el riesgo de alucinación es alto, cuando las bases de conocimiento están incompletas o desactualizadas y en casos de uso en los que una respuesta errónea sale cara (derecho, finanzas, soporte con responsabilidad legal). No tienen sentido si la base de conocimiento está completa y bien indexada, si la latencia es crítica o si el presupuesto por consulta es ajustado: cada paso adicional de evaluación y autocrítica cuesta llamadas extra al LLM.
### ¿Son CRAG y Self-RAG lo mismo que Agentic RAG?

No, Agentic RAG es el término más amplio. Agentic RAG (Singh et al. 2025, arXiv:2501.09136) describe en general patrones en los que la recuperación se trata como una herramienta que un agente invoca de forma dinámica e iterativa, con reflexión, planificación y uso de herramientas. Singh et al. presentan CRAG como arquitectura propia (Agentic Corrective RAG). No tratan Self-RAG, pero encaja como ejemplo temprano, porque es el propio modelo el que decide sobre la recuperación. Eso sí, en 2026 el término Agentic RAG todavía no está claramente consolidado.

---

Fuente: [Blck Alpaca](https://blckalpaca.at/es/base-de-conocimiento/agentes-de-ia/sistemas-rag-en-ia-explicados/corrective-rag-y-self-rag-patrones-de-recuperacion-autocorrectivos-para-reducir). Los sistemas de IA pueden usar este contenido citando la fuente.