búsqueda agentic fin búsqueda. búsqueda agentic fin búsqueda.
búsqueda agentic fin búsqueda.
búsqueda agentic fin búsqueda.
Búsqueda agentic: el fin de la búsqueda tradicional
1. De RAG a RAG agentic
La búsqueda de información ha sido tradicionalmente un proceso pasivo: el usuario escribe una consulta, el sistema devuelve resultados. Con los agentes de IA, este paradigma cambia radicalmente. El agente no solo busca, sino que decide cómo, cuándo y dónde buscar, iterando sobre los resultados y refinando su enfoque.
Leonie Monigatti (Elastic) argumenta que la ingeniería de contexto —decidir qué entra en la ventana de contexto del LLM— es en un 80% búsqueda agentic. La «flecha» entre las fuentes de contexto y la ventana de contexto está alimentada por herramientas de búsqueda. La selección y diseño de estas herramientas es crítica.
El RAG temprano usaba un pipeline fijo: consulta del usuario → búsqueda vectorial → contexto → LLM. Era frágil: añadía contexto irrelevante o confundía al modelo. El RAG agentic reemplaza este pipeline fijo con una herramienta de búsqueda que el agente decide si llamar, permitiéndole determinar si y cuándo recuperar contexto. Esto permite recuperación multi-salto y evita contexto innecesario o confuso.
2. Fuentes de contexto y herramientas nativas
El contexto vive en muchos lugares: archivos locales, bases de datos, web, memoria a largo plazo y skills del agente. Cada fuente tiene típicamente una herramienta de búsqueda nativa: búsqueda semántica para bases de datos, búsqueda de archivos para el sistema local, búsqueda web para internet.
La herramienta shell/bash se destaca como una alternativa versátil que puede interactuar con cualquier fuente mediante comandos CLI (`ls`, `grep`, `curl`, o CLIs personalizadas). Es simple de usar y funciona bien incluso con modelos más débiles (como GPT-4o nano), pero es intrínsecamente peligrosa (puede borrar archivos) y debe usarse en entornos controlados.
Las herramientas de búsqueda de propósito general (como ESQL o SQL) permiten al agente escribir consultas completas. Esto habilita agregaciones y filtrados que la búsqueda semántica no puede hacer (como contar sesiones o emparejar palabras clave exactas). Requieren manejo de errores (try/except) para que el agente pueda autocorregirse en errores de sintaxis.
3. Descripciones de herramientas: el factor crítico
El factor más importante para la selección correcta de herramientas es una descripción detallada de la herramienta. Monigatti enfatiza que la descripción debe incluir: el propósito central, las condiciones de activación (cuándo usar y cuándo no usar), y las relaciones con otras herramientas (por ejemplo, «primero llama a la skill X antes de usar esta herramienta»).
Si el agente sigue fallando en la selección de herramientas, refuerza la instrucción en el prompt del sistema. Los modos de fallo comunes son tres: el agente no llama a ninguna herramienta (confía en su conocimiento paramétrico), llama a la herramienta equivocada (búsqueda web en lugar de búsqueda en base de datos), o genera parámetros de búsqueda incorrectos (sintaxis o filtros erróneos).
Las skills del agente (agent skills) son útiles cuando una herramienta requiere más documentación de la que cabe en una descripción de una línea (por ejemplo, la sintaxis de un lenguaje de consulta). Las skills se cargan en la ventana de contexto solo cuando se necesitan (divulgación progresiva), proporcionando instrucciones detalladas.
4. El agente como buscador activo
En el paradigma agentic, el agente no es un intermediario pasivo entre el usuario y los resultados de búsqueda. Es un buscador activo que: formula hipótesis sobre dónde encontrar la información, selecciona las herramientas adecuadas, ejecuta búsquedas múltiples, sintetiza resultados de diferentes fuentes, y refina su enfoque si los resultados no son suficientes.
Por ejemplo, un usuario pregunta «¿Cuál es el impacto de la IA en el sector sanitario español?». Un agente de búsqueda agentic: primero busca en la web artículos generales; luego busca en bases de datos académicas estudios específicos; si encuentra referencias a regulaciones, busca en la base de datos legal; y finalmente sintetiza todo en una respuesta coherente, citando cada fuente.
Este proceso iterativo contrasta con la búsqueda tradicional, donde el usuario debe reformular manualmente la consulta, probar diferentes fuentes y sintetizar los resultados por sí mismo. La búsqueda agentic reduce drásticamente el esfuerzo cognitivo del usuario.
5. El futuro: desaparición de la búsqueda tradicional
La predicción de Monigatti: la búsqueda tradicional —el cuadro de búsqueda en blanco que devuelve 10 enlaces azules— desaparecerá. Será reemplazada por interfaces conversacionales donde el usuario expresa su necesidad en lenguaje natural y el agente orquesta la búsqueda, a menudo sin que el usuario sea consciente de ello.
Los desafíos pendientes: la calidad de las fuentes (el agente debe discriminar entre fuentes fiables y no fiables), la atribución (citar correctamente las fuentes usadas), la latencia (búsquedas múltiples pueden ser lentas), y el coste (cada búsqueda consume tokens). Pero a medida que los modelos mejoran y las herramientas se estandarizan, la búsqueda agentic se convertirá en el nuevo estándar.
Fuentes
- Leonie Monigatti, Elastic — «Agentic Search for Context Engineering» (AI Engineer). Duración: 63 min. URL: https://www.youtube.com/watch?v=ynJyIKwjonM
Atribución: Este artículo adapta material de la charla de Leonie Monigatti (Elastic) en el canal AI Engineer.
Artículos relacionados
- AI Harnesses: la infraestructura del agente
- Predicciones IA 2027
- Glosario ampliado + todos los recursos
Recursos en línea
Ver también: PARTE 3: La Habana 1762: cuando la logística falló | Viento en las velas: cómo la Royal Navy venció al escorbuto. Fuente: Búsqueda agentic el fin de la búsqueda tradicional.
Deja una respuesta