NUEVA MIRADA · AGENTES
Tu IA responde. ¿Pero encuentra la información correcta?
RAG básico, híbrido, GraphRAG, multimodal y agéntico: qué aporta cada enfoque, cuándo probarlo y cómo comprobar si mejora las respuestas.
Imagen conceptual. Los ejemplos del artículo son ilustrativos y no describen proyectos internos de ninguna empresa.AgentesBUSCARCONTRASTARRESPONDER“Antes de elegir una arquitectura de RAG, define cómo vas a comprobar la respuesta.”
Responder con seguridad no equivale a encontrar la fuente correcta
Una IA puede redactar una respuesta convincente después de consultar un documento desactualizado, incompleto o que corresponde a otro producto. Por eso, conectar documentos es solo una parte del trabajo. También hay que comprobar cómo se buscan, qué se recupera y qué hace el modelo con esa información.
RAG significa generación aumentada por recuperación. El sistema busca información y la incorpora al contexto del modelo para ayudarle a responder. En su forma habitual, esto no modifica los parámetros del modelo ni equivale a reentrenarlo con los documentos.
Esta guía reúne cinco enfoques útiles para entender las decisiones de diseño. No constituye una clasificación exhaustiva ni una escala de madurez: los enfoques pueden combinarse.
Buscar, recuperar y responder
Un flujo básico recupera fragmentos relevantes para una pregunta y los proporciona al modelo. Puede ser un punto de partida para consultar procedimientos o documentación de soporte.
Ejemplo ficticio: una persona pregunta cómo tramitar una devolución. El sistema busca el procedimiento y construye una respuesta a partir de los fragmentos recuperados.
El límite aparece si no encuentra la excepción aplicable, pierde contexto al dividir el documento o consulta una versión antigua. Una buena redacción no corrige una recuperación insuficiente.
Cuando importan el significado y la referencia exacta
La búsqueda híbrida combina recuperación semántica con búsqueda léxica, como BM25. La primera ayuda a localizar conceptos expresados con palabras distintas; la segunda resulta útil para términos y referencias concretas.
Ejemplo ficticio: localizar información del componente AB-204. Es importante comprender la pregunta, pero también conservar la referencia exacta.
Puede añadirse una etapa de reranking para reordenar los candidatos por relevancia. No es una garantía de mejora: hay que evaluar las consultas, la combinación de resultados y el coste añadido. Anthropic documenta cómo combinar estas técnicas con contexto adicional para los fragmentos.
Cuando la pregunta exige explorar relaciones
Los enfoques basados en grafos representan entidades y relaciones para ayudar a recuperar información conectada. La implementación de Microsoft incorpora también comunidades y resúmenes, con métodos de consulta locales y globales.
Ejemplo ficticio: explorar qué proveedores y componentes aparecen vinculados a determinadas incidencias documentadas. Las conexiones pueden aportar contexto que no cabe en un fragmento aislado.
Una relación extraída por un modelo puede ser incorrecta. Además, aparecer relacionados en documentos no demuestra causalidad. Construir y mantener el grafo añade trabajo que debe justificarse con una evaluación.
Cuando parte de la respuesta está en una imagen
Los documentos no contienen solo párrafos. Una tabla, un gráfico o un esquema pueden ser esenciales. Un sistema multimodal puede incorporar contenido visual en la recuperación y en la generación de respuestas; el funcionamiento concreto depende de la implementación.
Ejemplo ficticio: buscar documentación relacionada con el gráfico de un manual y contrastar sus valores con el texto que lo acompaña. NVIDIA documenta consultas que combinan texto e imágenes.
Hay que comprobar la lectura de ejes, unidades, leyendas y estructura de las tablas. Extraer texto de una imagen no siempre conserva el significado de su disposición visual.
Cuando hace falta decidir qué consultar a continuación
En un RAG agéntico, el modelo puede decidir cuándo llamar a una herramienta de recuperación, qué buscar y si necesita nuevas consultas antes de responder. La recuperación deja de ser únicamente un paso fijo.
Ejemplo ficticio: consultar el estado de un pedido y después buscar las condiciones de entrega aplicables para preparar una respuesta. Esto puede combinar herramientas de consulta con recuperación documental.
La flexibilidad exige límites: número de iteraciones, tiempo máximo, coste, permisos y criterios de parada. RAG agéntico no implica necesariamente varios agentes ni autoriza al sistema a modificar los datos consultados.
Empieza por las preguntas y por una comparación medible
No elegiría por el nombre más llamativo. Prepararía un conjunto de preguntas representativas, con fuentes de referencia, casos ambiguos y ejemplos donde no existe respuesta suficiente. Después compararía una solución sencilla con la alternativa.
Separaría dos evaluaciones: si el sistema recupera la evidencia necesaria y si el modelo responde de forma fiel a esa evidencia. Una respuesta puede citar un documento sin que ese documento respalde lo que afirma.
Mediría calidad, latencia y coste, y revisaría el respeto a los permisos. Estos criterios permiten decidir si la complejidad adicional aporta valor. Un híbrido puede ser multimodal; un agente puede consultar un grafo. Las etiquetas describen decisiones distintas, no productos mutuamente excluyentes.
Qué comprobar antes de dar por bueno un RAG
- 01¿Recupera el documento correcto y su versión vigente?
- 02¿Los fragmentos contienen la información necesaria para responder?
- 03¿La respuesta está respaldada por las fuentes citadas?
- 04¿Los permisos se aplican antes de mostrar información al modelo y al usuario?
- 05¿Reconoce cuándo falta evidencia o existen documentos contradictorios?
- 06¿Qué coste y tiempo añade frente a una solución más sencilla?
Mi criterio: empezar por las preguntas reales y medir dónde falla el sistema. Después, añadir únicamente la complejidad que resuelva un problema comprobado. ¿Dónde tendría más valor en tu organización: procedimientos, soporte técnico o búsqueda entre departamentos?