Agentic RAG

La generación aumentada mediante recuperación agéntica (RAG agéntico) es una arquitectura avanzada de inteligencia artificial (IA) que mejora los sistemas de recuperación tradicionales mediante la integración de agentes de IA autónomos. Mientras que las canalizaciones RAG estándar funcionan en una secuencia lineal de «recuperar y generar», el RAG agéntico permite que un modelo de lenguaje de gran tamaño (LLM) actúe como un orquestador inteligente. Este agente puede analizar de forma independiente el mensaje del usuario, determinar si necesita información externa, formular varias consultas de búsqueda, evaluar los datos recuperados y perfeccionar iterativamente su investigación hasta compilar una respuesta completa y precisa. Al aprovechar las capacidades de llamada a funciones y uso de herramientas, estos sistemas dirigen dinámicamente las consultas a través de diversas bases de datos, API y herramientas analíticas, lo que reduce significativamente las alucinaciones en los LLM al abordar problemas complejos de varios pasos.

Cómo funcionan los sistemas RAG agénticos#

La innovación principal del RAG agéntico reside en su capacidad para iterar y razonar. Los principales marcos de IA agéntica estructuran este proceso en flujos de trabajo dinámicos y autónomos:

• Planificación y enrutamiento de consultas: el agente descompone las preguntas complejas en subtareas más pequeñas y manejables, y dirige cada una a la herramienta o base de datos vectorial más adecuada.
• Recuperación iterativa: a diferencia de la recuperación estática, el agente revisa los documentos obtenidos. Si el contexto es insuficiente, reformula su estrategia de búsqueda y vuelve a realizar la consulta.
• Integración de herramientas: el agente puede escribir y ejecutar código, realizar cálculos o activar modelos de aprendizaje automático (ML) para sintetizar nuevos datos sobre la marcha.

RAG agéntico frente a RAG estándar#

Para implementar canalizaciones generativas robustas, es fundamental diferenciar el RAG agéntico de sus conceptos fundamentales:

• Generación aumentada mediante recuperación estándar (RAG): funciona en una sola pasada. Recupera documentos basándose en la similitud semántica y genera una respuesta. Tiene dificultades con la lógica compleja que requiere sintetizar fuentes de datos dispares en varios pasos.
• RAG agéntico: introduce la toma de decisiones y las iteraciones. El agente evalúa la calidad de la recuperación y puede activar búsquedas posteriores o utilizar herramientas diferentes antes de finalizar la generación.
• RAG multimodal: se centra en recuperar diversos tipos de datos (imágenes, texto y vídeo). El RAG agéntico puede controlar una canalización de RAG multimodal y decidir cuándo buscar en una base de datos visual en lugar de consultar un documento de texto.

Aplicaciones en el mundo real#

El RAG agéntico está transformando diversos sectores al automatizar tareas de investigación exhaustiva y resolución de problemas complejos que imitan el razonamiento analítico humano.

• Síntesis del conocimiento empresarial: en entornos corporativos, un agente podría recibir la instrucción de «resumir nuestro rendimiento del tercer trimestre y compararlo con los resultados más recientes de nuestro principal competidor». El agente consulta de forma autónoma las bases de datos financieras internas, realiza búsquedas web en tiempo real sobre las comunicaciones regulatorias del competidor, analiza las cifras mediante una herramienta de calculadora y redacta un informe completo.
• Inspección de calidad autónoma: en el sector manufacturero, se puede encargar a un agente que identifique la causa raíz de un fallo de ensamblaje. Puede activar un modelo de visión por computador (CV) para inspeccionar la señal de una cámara en directo, consultar registros históricos de mantenimiento y sintetizar un informe de diagnóstico basado en pruebas visuales y textuales.

Integración de la IA de visión en flujos de trabajo agénticos#

Los modelos de visión actúan como potentes herramientas sensoriales para los sistemas RAG agénticos que interactúan con el mundo físico. Por ejemplo, un agente puede utilizar Ultralytics YOLO26 para recuperar dinámicamente el contexto visual de una imagen o una transmisión de vídeo y responder a las consultas de los usuarios. Los desarrolladores pueden gestionar la anotación de datos y el entrenamiento de estas herramientas de visión personalizadas mediante Ultralytics Platform.

El siguiente ejemplo de Python muestra cómo un agente de IA podría invocar mediante programación Ultralytics YOLO26 para extraer observaciones estructuradas de una imagen y recopilar contexto factual para su siguiente paso de razonamiento.

from ultralytics import YOLO

# Initialize YOLO26 for the agent's visual retrieval tool
model = YOLO("yolo26n.pt")

# The agent invokes the model on an image to gather visual facts
results = model("https://ultralytics.com/images/bus.jpg")

# The agent parses the detected objects to formulate its next query or action
visual_context = [model.names[int(c)] for c in results[0].boxes.cls]
print(f"Agent Observation: I currently see {', '.join(visual_context)}.")

Al conectar modelos de visión altamente capaces con motores de razonamiento, el RAG agéntico tiende un puente entre la recuperación de conocimiento estático y la inteligencia espacial dinámica del mundo real. Para profundizar en la evolución de los sistemas autónomos, el informe Stanford AI Index ofrece un seguimiento exhaustivo de las capacidades agénticas.