RAG, agentes de IA e ingeniería de contexto
Esta es la sección más directamente aplicable si tu objetivo es construir productos y no entrenar modelos. Recuperación aumentada para que el modelo trabaje sobre datos propios y actualizables, uso de herramientas para que haga cosas y no solo hable, memoria para que sostenga tareas largas, y orquestación para que todo eso no se caiga.
El término "prompt engineering" quedó chico. Lo que importa hoy es la ingeniería de contexto: decidir qué información entra a la ventana en cada paso y qué se descarta. El contexto es un recurso escaso y caro, y administrarlo bien es la diferencia entre un agente que funciona y uno que se pierde a los diez pasos.
Una regla que ahorra meses: escribí las evaluaciones antes que el sistema. Sin una forma de medir si una versión es mejor que la anterior, iterar sobre un agente es adivinar con más pasos.
19 recursos de RAG, agentes y contexto
Ordenados con los imprescindibles primero y agrupados por tipo. Los marcados con ★ son los que recomendaría alguien que ya recorrió el camino; los que dicen «gratis» no cuestan nada.
🎓 Curso
📄 Paper
Razonar y actuar alternadamente. Es el patrón base de prácticamente todo agente que exista hoy.
El paper que nombró RAG. Vale leerlo para ver cuánto se desvió la práctica actual de la propuesta original.
Cuando la pregunta es sobre el corpus entero y no sobre un pasaje, el RAG por similitud falla. GraphRAG es la respuesta más elaborada.
Memoria, reflexión y planificación en agentes que conviven. El paper más influyente sobre arquitectura de memoria agéntica.
Los modelos aprenden solos cuándo llamar a una API. Antecedente del tool use nativo actual.
✍️ Blog/Post
La distinción clave entre workflows y agentes, y por qué la mayoría de los problemas se resuelven mejor con lo primero. Lectura corta y obligatoria.
El 'prompt engineering' evolucionó a gestionar el contexto como recurso escaso: compactación, memoria externa, sub-agentes.
El mapa conceptual de referencia: planificación, memoria, uso de herramientas. Sigue siendo la mejor síntesis del tema.
Lecciones tácticas, operativas y estratégicas de gente que puso LLMs en producción. Antídoto contra el hype.
Las guías de prompting y agentes de cada laboratorio son documentación técnica de primer nivel, no marketing. Leé las tres.
Escritura técnica clara sobre evaluación, RAG, recomendadores y patrones de diseño con LLMs.
🐙 Repo
Programar el comportamiento del modelo y dejar que los prompts se optimicen solos. El cambio de paradigma más interesante frente al prompt-crafting manual.
Orquestación de agentes como grafos de estados. Muy usado en producción; LangGraph es bastante mejor que el LangChain clásico.
El framework más completo para ingesta, indexado y recuperación sobre datos propios.
Agentes con tipado estricto y validación. La opción sensata si venís de ingeniería de software tradicional.
Agentes en ~1000 líneas, con foco en agentes que escriben código en vez de emitir JSON. Simple de leer entero.
🛠️ Herramienta
📘 Docs
Preguntas frecuentes sobre RAG, agentes y contexto
¿Qué es RAG?
Retrieval-Augmented Generation: recuperación aumentada. En vez de esperar que el modelo sepa algo, se busca la información relevante en una base propia y se la inserta en el contexto antes de generar la respuesta. Permite trabajar con datos privados o actualizados sin reentrenar nada.
¿Qué es un agente de IA?
Un sistema donde el modelo no solo responde, sino que decide qué acción tomar, ejecuta herramientas, observa el resultado y vuelve a decidir, en un bucle, hasta completar una tarea. La unidad de análisis deja de ser el modelo y pasa a ser el sistema completo: modelo, herramientas, memoria y bucle de control.
¿RAG o fine-tuning?
RAG para conocimiento: es actualizable, auditable y no requiere reentrenar. Fine-tuning para comportamiento: formato, estilo, o un dominio muy específico. No compiten, resuelven problemas distintos, y en sistemas serios suelen convivir.