Anclaje en la web

El anclaje en la web es la práctica de basar las respuestas de un modelo de lenguaje en contenido web en vivo recuperado en el momento de la consulta, de modo que sus respuestas reflejen fuentes actuales y verificables en lugar de solo lo que aprendió durante el entrenamiento. Un modelo anclado busca en la web una consulta, extrae las páginas relevantes y genera su respuesta a partir de ese contenido recuperado, a menudo citando las fuentes que utilizó.

En resumen: el anclaje en la web vincula las respuestas de un modelo con fuentes web reales y actualizadas obtenidas en el momento de la consulta, en lugar de depender únicamente de sus datos de entrenamiento.

Cómo funciona el anclaje en la web

Al modelo se le proporciona contenido web actual para razonar antes de responder:

1. Buscador: Cuando una consulta necesita información actual o factual, el sistema busca en la web y obtiene resultados relevantes y clasificados.
2. Obtener contenido: El sistema recupera contenido de esas páginas en texto completo, pasajes extraídos, snippets o metadatos enriquecidos, ya que el modelo solo puede razonar sobre lo que se le entrega. Un contenido más completo generalmente produce respuestas mejor ancladas.
3. Inyectar como contexto: El contenido recuperado se coloca en la ventana de contexto del modelo junto con la pregunta.
4. Generar una respuesta anclada: El modelo redacta su respuesta a partir de ese contenido proporcionado y, por lo general, adjunta la atribución de fuentes para que cada afirmación pueda verificarse.

El requisito definitorio es la actualidad y la fidelidad: una respuesta es tan buena como el contenido recuperado, por lo que el anclaje depende de introducir contenido relevante y actual en la ventana de contexto del modelo.

Anclaje en la web frente a RAG y generación sin anclaje

• RAG es la técnica general de recuperar documentos para fundamentar la generación de una respuesta; el anclaje en la web es RAG donde la fuente es la web pública y en vivo en lugar de un corpus privado.
• El conocimiento de entrenamiento del modelo es una instantánea fija delimitada por su límite de conocimiento; el anclaje en la web puede proporcionar información sobre eventos y cambios ocurridos después de ese límite.
• La generación sin anclaje responde a partir de la memoria y puede alucinar; la generación anclada se basa en fuentes recuperadas (que también pueden citarse). En última instancia, el anclaje reduce, pero no elimina, las afirmaciones sin respaldo.

Dónde importa el anclaje en la web

• Preguntas actuales: Noticias, precios, clima y cualquier otra cosa que cambie después de que un modelo haya sido entrenado necesitan un anclaje en vivo para responderse correctamente.
• Confianza y verificación: El anclaje permite que un modelo cite fuentes reales, que es la forma en que los usuarios y los motores de respuesta verifican sus afirmaciones.
• Motores de respuesta con IA y agentes: El anclaje es lo que permite que un asistente agéntico responda sobre la web en vivo en lugar de su conocimiento congelado.
• Las API del Buscador como capa común de anclaje: Una API del Buscador suele ser el motor de recuperación detrás del anclaje en la web. Encuentra y devuelve contenido web para el anclaje del modelo. Dependiendo de la API, los resultados pueden incluir URL y snippets, pasajes extraídos o contenido preformateado más enriquecido. La API del Buscador de Brave incluye un endpoint LLM Context que devuelve contenido de página preextraído y clasificado por relevancia, diseñado para flujos de trabajo de anclaje.

El anclaje en la web cierra la brecha entre los datos de entrenamiento de un modelo y el momento presente. Una API del Buscador suele ser el motor que realiza ese cierre.

Términos relacionados

Generación aumentada por recuperación (RAG), atribución de fuentes, alucinación, límite de conocimiento, motor de respuesta con IA, búsqueda agéntica, búsqueda semántica, ventana de contexto, API del Buscador.