(Haz clic en la imagen de arriba para ver el video de esta lección)
Esta lección ofrece una visión completa de Agentic Retrieval-Augmented Generation (Agentic RAG), un paradigma emergente de IA donde los modelos de lenguaje grandes (LLMs) planifican autónomamente sus próximos pasos mientras obtienen información de fuentes externas. A diferencia de los patrones estáticos de recuperación y lectura, Agentic RAG implica llamadas iterativas al LLM, intercaladas con llamadas a herramientas o funciones y salidas estructuradas. El sistema evalúa los resultados, refina las consultas, invoca herramientas adicionales si es necesario y continúa este ciclo hasta lograr una solución satisfactoria.
Esta lección cubrirá:
- Entender Agentic RAG: Aprende sobre el paradigma emergente en IA donde los modelos de lenguaje grandes (LLMs) planifican autónomamente sus próximos pasos mientras obtienen información de fuentes de datos externas.
- Comprender el estilo iterativo Maker-Checker: Entiende el ciclo de llamadas iterativas al LLM, intercaladas con llamadas a herramientas o funciones y salidas estructuradas, diseñado para mejorar la precisión y manejar consultas malformadas.
- Explorar aplicaciones prácticas: Identifica escenarios donde Agentic RAG destaca, como entornos donde la precisión es clave, interacciones complejas con bases de datos y flujos de trabajo extendidos.
Después de completar esta lección, sabrás cómo/entenderás:
- Entender Agentic RAG: Aprende sobre el paradigma emergente en IA donde los modelos de lenguaje grandes (LLMs) planifican autónomamente sus próximos pasos mientras obtienen información de fuentes de datos externas.
- Estilo iterativo Maker-Checker: Comprende el concepto de un ciclo de llamadas iterativas al LLM, intercaladas con llamadas a herramientas o funciones y salidas estructuradas, diseñado para mejorar la precisión y manejar consultas malformadas.
- Poseer el proceso de razonamiento: Comprende la capacidad del sistema para poseer su proceso de razonamiento, tomando decisiones sobre cómo abordar problemas sin depender de rutas predefinidas.
- Flujo de trabajo: Entiende cómo un modelo agentic decide independientemente recuperar informes de tendencias del mercado, identificar datos de competidores, correlacionar métricas internas de ventas, sintetizar hallazgos y evaluar la estrategia.
- Bucles iterativos, integración de herramientas y memoria: Aprende sobre la dependencia del sistema en un patrón de interacción en bucle, manteniendo estado y memoria a lo largo de los pasos para evitar bucles repetitivos y tomar decisiones informadas.
- Manejo de modos de falla y autocorrección: Explora los mecanismos robustos de autocorrección del sistema, incluyendo iteración y re-consulta, uso de herramientas de diagnóstico y recurrir a la supervisión humana.
- Límites de la agencia: Entiende las limitaciones de Agentic RAG, enfocándote en la autonomía específica del dominio, la dependencia de la infraestructura y el respeto por las restricciones.
- Casos de uso prácticos y valor: Identifica escenarios donde Agentic RAG destaca, como entornos donde la precisión es clave, interacciones complejas con bases de datos y flujos de trabajo extendidos.
- Gobernanza, transparencia y confianza: Aprende sobre la importancia de la gobernanza y la transparencia, incluyendo razonamiento explicable, control de sesgos y supervisión humana.
Agentic Retrieval-Augmented Generation (Agentic RAG) es un paradigma emergente de IA donde los modelos de lenguaje grandes (LLMs) planifican autónomamente sus próximos pasos mientras obtienen información de fuentes externas. A diferencia de los patrones estáticos de recuperación y lectura, Agentic RAG implica llamadas iterativas al LLM, intercaladas con llamadas a herramientas o funciones y salidas estructuradas. El sistema evalúa los resultados, refina las consultas, invoca herramientas adicionales si es necesario y continúa este ciclo hasta lograr una solución satisfactoria. Este estilo iterativo “maker-checker” mejora la precisión, maneja consultas malformadas y asegura resultados de alta calidad.
El sistema asume activamente su proceso de razonamiento, reescribiendo consultas fallidas, eligiendo diferentes métodos de recuperación e integrando múltiples herramientas—como búsqueda vectorial en Azure AI Search, bases de datos SQL o APIs personalizadas—antes de finalizar su respuesta. La cualidad distintiva de un sistema agentic es su capacidad para asumir su proceso de razonamiento. Las implementaciones tradicionales de RAG dependen de rutas predefinidas, pero un sistema agentic determina autónomamente la secuencia de pasos basada en la calidad de la información que encuentra.
Agentic Retrieval-Augmented Generation (Agentic RAG) es un paradigma emergente en el desarrollo de IA donde los LLMs no solo obtienen información de fuentes de datos externas, sino que también planifican autónomamente sus próximos pasos. A diferencia de los patrones estáticos de recuperación y lectura o las secuencias de indicaciones cuidadosamente diseñadas, Agentic RAG implica un ciclo de llamadas iterativas al LLM, intercaladas con llamadas a herramientas o funciones y salidas estructuradas. En cada paso, el sistema evalúa los resultados obtenidos, decide si refinar sus consultas, invoca herramientas adicionales si es necesario y continúa este ciclo hasta lograr una solución satisfactoria.
Este estilo iterativo “maker-checker” está diseñado para mejorar la precisión, manejar consultas malformadas a bases de datos estructuradas (por ejemplo, NL2SQL) y asegurar resultados equilibrados y de alta calidad. En lugar de depender únicamente de cadenas de indicaciones cuidadosamente diseñadas, el sistema asume activamente su proceso de razonamiento. Puede reescribir consultas que fallan, elegir diferentes métodos de recuperación e integrar múltiples herramientas—como búsqueda vectorial en Azure AI Search, bases de datos SQL o APIs personalizadas—antes de finalizar su respuesta. Esto elimina la necesidad de marcos de orquestación excesivamente complejos. En su lugar, un bucle relativamente simple de “llamada al LLM → uso de herramienta → llamada al LLM → …” puede generar salidas sofisticadas y bien fundamentadas.
La cualidad distintiva que hace que un sistema sea “agentic” es su capacidad para asumir su proceso de razonamiento. Las implementaciones tradicionales de RAG a menudo dependen de que los humanos predefinan un camino para el modelo: una cadena de pensamiento que detalla qué recuperar y cuándo. Pero cuando un sistema es verdaderamente agentic, decide internamente cómo abordar el problema. No solo ejecuta un guion; determina autónomamente la secuencia de pasos basada en la calidad de la información que encuentra.
Por ejemplo, si se le pide crear una estrategia de lanzamiento de producto, no depende únicamente de una indicación que detalla todo el flujo de trabajo de investigación y toma de decisiones. En cambio, el modelo agentic decide independientemente:
- Recuperar informes de tendencias actuales del mercado utilizando Bing Web Grounding.
- Identificar datos relevantes de competidores utilizando Azure AI Search.
- Correlacionar métricas internas de ventas históricas utilizando Azure SQL Database.
- Sintetizar los hallazgos en una estrategia cohesiva orquestada a través de Azure OpenAI Service.
- Evaluar la estrategia en busca de brechas o inconsistencias, iniciando otra ronda de recuperación si es necesario.
Todos estos pasos—refinar consultas, elegir fuentes, iterar hasta estar “satisfecho” con la respuesta—son decididos por el modelo, no predefinidos por un humano.
Un sistema agentic depende de un patrón de interacción en bucle:
- Llamada inicial: El objetivo del usuario (es decir, la indicación del usuario) se presenta al LLM.
- Invocación de herramientas: Si el modelo identifica información faltante o instrucciones ambiguas, selecciona una herramienta o método de recuperación—como una consulta a una base de datos vectorial (por ejemplo, Azure AI Search Hybrid search sobre datos privados) o una llamada SQL estructurada—para obtener más contexto.
- Evaluación y refinamiento: Después de revisar los datos devueltos, el modelo decide si la información es suficiente. Si no, refina la consulta, prueba una herramienta diferente o ajusta su enfoque.
- Repetir hasta estar satisfecho: Este ciclo continúa hasta que el modelo determina que tiene suficiente claridad y evidencia para entregar una respuesta final bien razonada.
- Memoria y estado: Debido a que el sistema mantiene estado y memoria a lo largo de los pasos, puede recordar intentos previos y sus resultados, evitando bucles repetitivos y tomando decisiones más informadas a medida que avanza.
Con el tiempo, esto crea una sensación de comprensión evolutiva, permitiendo al modelo navegar tareas complejas y de múltiples pasos sin requerir que un humano intervenga constantemente o reformule la indicación.
La autonomía de Agentic RAG también implica mecanismos robustos de autocorrección. Cuando el sistema encuentra callejones sin salida—como recuperar documentos irrelevantes o enfrentar consultas malformadas—puede:
- Iterar y re-consultar: En lugar de devolver respuestas de bajo valor, el modelo intenta nuevas estrategias de búsqueda, reescribe consultas a bases de datos o busca en conjuntos de datos alternativos.
- Usar herramientas de diagnóstico: El sistema puede invocar funciones adicionales diseñadas para ayudarle a depurar sus pasos de razonamiento o confirmar la corrección de los datos recuperados. Herramientas como Azure AI Tracing serán importantes para habilitar una observabilidad y monitoreo robustos.
- Recurrir a la supervisión humana: Para escenarios de alto riesgo o fallas repetidas, el modelo podría marcar incertidumbre y solicitar orientación humana. Una vez que el humano proporciona retroalimentación correctiva, el modelo puede incorporar esa lección en adelante.
Este enfoque iterativo y dinámico permite que el modelo mejore continuamente, asegurando que no sea solo un sistema de un solo intento, sino uno que aprende de sus errores durante una sesión dada.
A pesar de su autonomía dentro de una tarea, Agentic RAG no es análogo a la Inteligencia Artificial General. Sus capacidades “agentic” están confinadas a las herramientas, fuentes de datos y políticas proporcionadas por los desarrolladores humanos. No puede inventar sus propias herramientas ni salir de los límites del dominio que se le han establecido. Más bien, sobresale en orquestar dinámicamente los recursos disponibles.
Las diferencias clave con formas más avanzadas de IA incluyen:
- Autonomía específica del dominio: Los sistemas Agentic RAG están enfocados en lograr objetivos definidos por el usuario dentro de un dominio conocido, empleando estrategias como reescritura de consultas o selección de herramientas para mejorar los resultados.
- Dependencia de la infraestructura: Las capacidades del sistema dependen de las herramientas y datos integrados por los desarrolladores. No puede superar estos límites sin intervención humana.
- Respeto por las restricciones: Las pautas éticas, las reglas de cumplimiento y las políticas empresariales siguen siendo muy importantes. La libertad del agente siempre está limitada por medidas de seguridad y mecanismos de supervisión (¿esperemos?).
Agentic RAG destaca en escenarios que requieren refinamiento iterativo y precisión:
- Entornos donde la precisión es clave: En verificaciones de cumplimiento, análisis regulatorio o investigación legal, el modelo agentic puede verificar repetidamente hechos, consultar múltiples fuentes y reescribir consultas hasta producir una respuesta completamente revisada.
- Interacciones complejas con bases de datos: Al tratar con datos estructurados donde las consultas pueden fallar o necesitar ajustes, el sistema puede refinar autónomamente sus consultas utilizando Azure SQL o Microsoft Fabric OneLake, asegurando que la recuperación final se alinee con la intención del usuario.
- Flujos de trabajo extendidos: Las sesiones más largas pueden evolucionar a medida que surge nueva información. Agentic RAG puede incorporar continuamente nuevos datos, cambiando estrategias a medida que aprende más sobre el espacio del problema.
A medida que estos sistemas se vuelven más autónomos en su razonamiento, la gobernanza y la transparencia son cruciales:
- Razonamiento explicable: El modelo puede proporcionar un registro de auditoría de las consultas que realizó, las fuentes que consultó y los pasos de razonamiento que tomó para llegar a su conclusión. Herramientas como Azure AI Content Safety y Azure AI Tracing / GenAIOps pueden ayudar a mantener la transparencia y mitigar riesgos.
- Control de sesgos y recuperación equilibrada: Los desarrolladores pueden ajustar estrategias de recuperación para garantizar que se consideren fuentes de datos equilibradas y representativas, y auditar regularmente las salidas para detectar sesgos o patrones sesgados utilizando modelos personalizados para organizaciones avanzadas de ciencia de datos que usan Azure Machine Learning.
- Supervisión humana y cumplimiento: Para tareas sensibles, la revisión humana sigue siendo esencial. Agentic RAG no reemplaza el juicio humano en decisiones de alto riesgo—lo complementa al ofrecer opciones más exhaustivamente revisadas.
Tener herramientas que proporcionen un registro claro de las acciones es esencial. Sin ellas, depurar un proceso de múltiples pasos puede ser muy difícil. Ve el siguiente ejemplo de Literal AI (empresa detrás de Chainlit) para una ejecución de agente:
Agentic RAG representa una evolución natural en cómo los sistemas de IA manejan tareas complejas e intensivas en datos. Al adoptar un patrón de interacción en bucle, seleccionar herramientas autónomamente y refinar consultas hasta lograr un resultado de alta calidad, el sistema va más allá de seguir indicaciones estáticas hacia un tomador de decisiones más adaptativo y consciente del contexto. Aunque todavía está limitado por infraestructuras definidas por humanos y pautas éticas, estas capacidades agentic permiten interacciones de IA más ricas, dinámicas y, en última instancia, más útiles para empresas y usuarios finales.
Únete al Azure AI Foundry Discord para conectarte con otros estudiantes, asistir a horas de oficina y resolver tus dudas sobre AI Agents.
- 2303.17651 Self-Refine: Refinamiento iterativo con retroalimentación propia
- 2303.11366 Reflexion: Agentes de lenguaje con aprendizaje por refuerzo verbal
- 2305.11738 CRITIC: Los modelos de lenguaje grandes pueden autocorregirse con críticas interactivas basadas en herramientas
- 2501.09136 Recuperación Aumentada por Generación Agente: Una encuesta sobre Agentic RAG
Patrón de diseño para el uso de herramientas
Construcción de agentes de IA confiables
Descargo de responsabilidad:
Este documento ha sido traducido utilizando el servicio de traducción automática Co-op Translator. Si bien nos esforzamos por garantizar la precisión, tenga en cuenta que las traducciones automatizadas pueden contener errores o imprecisiones. El documento original en su idioma nativo debe considerarse la fuente autorizada. Para información crítica, se recomienda una traducción profesional realizada por humanos. No nos hacemos responsables de malentendidos o interpretaciones erróneas que puedan surgir del uso de esta traducción.
