La generación aumentada por recuperación (RAG) ha establecido un nuevo paradigma de búsqueda, en el que los grandes modelos de lenguaje integran recursos externos para compensar sus limitaciones inherentes de conocimiento. Sin embargo, la limitada conciencia del contexto reduce el rendimiento de los grandes modelos de lenguaje en tareas de RAG. Las soluciones existentes incurren en una sobrecarga adicional de tiempo y memoria y dependen de codificaciones posicionales específicas. En este artículo, proponemos la Detección y Reajuste de Cabezas de Atención (ADR), un marco ligero y general. Específicamente, empleamos una tarea de reconocimiento para identificar las cabezas que suprimen RAG y limitan la conciencia del contexto del modelo. Luego, reajustamos sus salidas con coeficientes aprendidos para mitigar la influencia de estas cabezas que suprimen RAG. Después del entrenamiento, los pesos se fijan durante la inferencia, sin introducir sobrecarga de tiempo adicional y permaneciendo agnósticos a la elección de la incrustación posicional. Los experimentos en PetroAI demuestran además que ADR mejora la conciencia del contexto de los modelos ajustados.