Saltar al contenido
ReviewRamble

El boletín semanal

La IA, analizada, en tu bandeja de entrada.

  • Nuevas reseñas de herramientas, modelos, servidores MCP y repos, con el veredicto por delante
  • Precios y valoraciones revisados cuando algo cambia
  • Nuevos análisis en cuanto se publican

Modelos, agentes, servidores MCP y las herramientas que de verdad merecen tu tiempo.

Un correo a la semana. Date de baja con el enlace de cualquier boletín. Cómo usamos tu correo

RAG agéntico

El RAG agéntico es una generación aumentada por recuperación dirigida por un agente de IA que decide cuándo buscar, qué buscar y qué fuente usar, y puede volver a buscar si los primeros resultados se quedan cortos.

También llamado: agentic retrieval, agentic retrieval-augmented generation

Por Divya Sharma · Comprobado el 15 nov 2026 · Cómo hacemos las reseñas

La generación aumentada por recuperación clásica es un pipeline fijo: convertir la pregunta en embedding, recuperar los mejores fragmentos y generar una vez. Eso falla cuando una pregunta necesita varios pasos, como comparar dos contratos o seguir un error a través de logs y código. El RAG agéntico encarga la recuperación a un agente de IA que se ejecuta en un bucle.

Cómo funciona

El modelo recibe la búsqueda como una o más herramientas mediante function calling: un índice vectorial, un índice de palabras clave, una base de datos SQL, la web. En cada vuelta del bucle del agente decide si necesita más información, escribe una consulta (a menudo reescrita), lee los resultados y vuelve a buscar o responde. Puede dividir una pregunta en subpreguntas y enviar cada una a una fuente distinta.

Ejemplo

Ante la pregunta "¿Subió la tasa de bajas el último trimestre en las regiones donde subimos los precios?", el agente consulta el registro de cambios de precios, después la tabla de bajas por región, y las compara antes de responder.

Primeras formas

Self-RAG (2023) entrenó un modelo para decidir por sí mismo cuándo recuperar y para criticar los pasajes obtenidos. Los sistemas actuales sobre todo piden mediante prompts a modelos generales que lo hagan con herramientas, en lugar de entrenar un modelo especial.

Ventajas e inconvenientes

El RAG agéntico resuelve preguntas más difíciles, pero cada búsqueda extra añade llamadas al modelo, latencia y coste, y el agente puede entrar en bucle o detenerse demasiado pronto. Limita el número de pasos, registra cada llamada a herramienta con herramientas de observabilidad de LLM y mantén el RAG simple para las consultas sencillas. Los productos de deep research son una forma de larga duración de este patrón.

Términos relacionados

Generación aumentada por recuperación
La generación aumentada por recuperación (RAG, retrieval-augmented generation) es un patrón en el que un sistema busca primero en una colección de documentos los pasajes relevantes para una pregunta y luego se los da a un modelo de lenguaje para que su respuesta se base en ellos.
Agente de IA
Un agente de IA es un sistema en el que un modelo de lenguaje decide sus propios pasos siguientes: llama a herramientas, lee los resultados y repite hasta terminar la tarea, en lugar de seguir un guion fijo.
Bucle del agente
El bucle del agente (agent loop) es el ciclo repetido en el centro de un agente de IA: el modelo pide una llamada a una herramienta, la aplicación la ejecuta y devuelve el resultado, y el modelo decide qué hacer a continuación.
Reescritura de consultas
La reescritura de consultas (query rewriting) cambia la pregunta de un usuario antes de la búsqueda, por ejemplo aclarándola, dividiéndola o añadiendo términos relacionados, para que el recuperador tenga más probabilidades de encontrar los pasajes que la responden.
Llamada a herramientas
La llamada a herramientas (tool calling), también llamada function calling, es una función de las API de modelos en la que describes funciones con un esquema, el modelo responde con una petición estructurada para llamar a una de ellas, y tu código la ejecuta y devuelve el resultado.
Deep research (IA)
El deep research (investigación profunda) es una función de agente de IA que planifica una pregunta de investigación, hace muchas búsquedas web, lee las fuentes que encuentra y redacta un informe largo con citas, en minutos y no en segundos.

Fuentes