Citas con fuentes: objeto de referencia y RAG
En esta página
Actualizado el 3 de noviembre de 2026 según la guía Citations & References de Mistral: las fuentes se pasan como resultado de una herramienta en un objeto donde las claves son números (
"0","1"…) y los valores contienenurl,title,snippets(lista de listas),description,dateysource. El «objeto de referencia» con los campostype,reference_idysource_idde la versión anterior no aparece en la documentación, ni tampoco umbrales específicos para el número de fuentes. Fuente: Citations & References.
Por qué las citas son esenciales en producción
Cuando despliegas un sistema de Generación Aumentada por Recuperación (RAG) en producción, tus usuarios necesitan verificar las respuestas del modelo. Una respuesta sin fuente es una afirmación inverificable. Las citas transforman una respuesta de IA en una documentación trazable y fiable.
Mistral AI integra de forma nativa un mecanismo de citas que permite al modelo basar sus respuestas en documentos fuente y proporcionar referencias precisas. El modelo ha sido entrenado en profundidad para fundamentarse en documentos y extraer pasajes relevantes.
El formato de referencia
En Mistral, las fuentes no pasan por un parámetro dedicado: llegan al modelo como resultado de una llamada a una herramienta. Tu herramienta devuelve un objeto JSON donde cada clave es un número de fuente ("0", "1", "2"…) y cada valor describe la fuente:
references = {
"0": {
"url": "https://docs.example.com/guide",
"title": "Guía de despliegue v3.2",
"snippets": [
[
"El despliegue en producción requiere verificación...",
"Las pruebas de carga deben validar al menos 1000 req/s..."
]
],
"description": None,
"date": "2026-03-15",
"source": "docs-deployment"
}
}
Campos de referencia
- La clave (
"0","1"…) — el identificador de la fuente, que el modelo reutiliza en sus citas. url— la dirección de la fuente original.title— el título de la fuente, para su visualización.snippets— los extractos relevantes, como una lista de listas de oraciones: este es el contenido que el modelo utiliza para fundamentar su respuesta.description— una breve descripción, oNone.date— la fecha de publicación o actualización.source— el origen de la fuente (una base de datos de documentos, un sitio web).
Arquitectura del pipeline RAG con citas
El flujo de trabajo completo se divide en cuatro pasos.
1. Búsqueda de documentos
Tu sistema de recuperación (Elasticsearch, Pinecone, pgvector, etc.) devuelve los documentos relevantes para la consulta del usuario.
2. Construcción de referencias
Estructuras los documentos recuperados en este formato:
def build_references(search_results):
"""Convierte los resultados de búsqueda al formato de referencia de Mistral."""
return {
str(i): {
"url": result.get("url", ""),
"title": result["title"],
"snippets": [result["relevant_passages"]],
"description": None,
"date": result.get("date"),
"source": result.get("collection", "default"),
}
for i, result in enumerate(search_results)
}
3. Llamada al modelo con una herramienta
Declaras una herramienta que el modelo llama para obtener las fuentes. Cuando se llama, tu código devuelve json.dumps(references) en un ToolMessage y luego reanudas la conversación (siguiente lección).
from mistralai.client import Mistral
client = Mistral(api_key="your-api-key")
get_information_tool = {
"type": "function",
"function": {
"name": "get_information",
"description": "Recupera fuentes de documentos relevantes",
"parameters": {
"type": "object",
"properties": {"query": {"type": "string"}},
"required": ["query"]
}
}
}
4. El modelo cita sus fuentes
La respuesta final no es una simple cadena: su contenido alterna entre objetos TextChunk y ReferenceChunk, donde el campo reference_ids contiene los números de las fuentes citadas — 0 para la clave "0". Buscas estos identificadores en tu tabla de referencias para mostrar títulos y enlaces.
Mejores prácticas para los fragmentos (snippets)
La calidad de la cita depende directamente de la calidad del fragmento, y el primer ajuste que debes vigilar es su longitud. Un fragmento de dos a cinco oraciones ofrece al modelo un pasaje denso y utilizable; un extracto que abarca una página entera diluye la información relevante hasta el punto de que el modelo cita la fuente sin fundamentarse realmente en ella. Sin embargo, ten cuidado de no cortar demasiado: un fragmento arrancado de su contexto puede malinterpretarse; «la tasa sube al 20 %» no significa nada si la oración anterior, que especificaba a qué tasa se refería, se ha eliminado.
El número de fuentes juega el mismo papel que la longitud, pero a escala de la consulta: cada fuente añadida cuesta tokens de contexto, se cite o no. Comienza con un puñado de fuentes y comprueba, en los reference_ids, cuáles utiliza realmente el modelo antes de añadir más. Por último, cuando el tiempo sea un factor crítico (documentación versionada, precios, normativas), rellena el campo date para cada fuente: esta es información que el modelo puede utilizar y que tú puedes mostrar.
Puntos clave
- Las fuentes pasan a través del resultado de una herramienta, indexadas por número (
"0","1"…), con URL, título, fragmentos y metadatos. - El modelo de Mistral está entrenado nativamente para fundamentar sus respuestas en las fuentes proporcionadas.
- Los fragmentos deben ser concisos y estar contextualizados para lograr citas de alta calidad.
- Límite a 3–7 referencias por consulta para un uso óptimo.
- Las citas transforman las respuestas de IA en información verificable y trazable.