Claix es la capa controlada de recuperación de datos para agentes de IA: se conecta a tu base relacional y permite que cada agente recupere solo las tablas y columnas que tú autorizas, guiado por tus propias reglas y devolviendo resultados validados o respuestas tipadas, sin mover tus datos. Disponible vía API REST, MCP y A2A.

En tres pasos: conecta tu base Postgres con un rol de solo lectura (Claix redacta un Data Map para que lo revises), define rutas y agentes con tus reglas (sin YAML ni código) y llama a un endpoint para que tu agente obtenga respuestas tipadas en vivo dentro del perímetro que fijaste.

¿Claix copia mis datos a un almacén vectorial?

No. Claix no copia tus datos ni construye un índice vectorial sobre ellos. Los agentes consultan tu base donde vive, dentro de las tablas y columnas que permites. Cada consulta se valida antes de ejecutarse y queda trazada después.

¿Claix escribe en mi base de datos?

No. Claix se conecta con un rol de solo lectura. Cargar documentos en campos estructurados es un producto aparte, Claix Ingest, que usas solo si lo eliges.

¿Qué bases de datos admite Claix?

Postgres hoy (incluidos entornos compatibles como Supabase). Te conectas con un rol de solo lectura para que los agentes nunca obtengan escritura a través de Claix.

¿Qué son las rutas y los agentes?

Una ruta es una capacidad de recuperación: las tablas y columnas permitidas más una guía breve con tus reglas y vocabulario. Un agente es la identidad que las usa: su propio endpoint, prompt de negocio, rutas asociadas y modo de respuesta (resultados en bruto o respuestas razonadas tipadas). Crea una ruta una vez y asígnala a tantos agentes como necesites.

¿Cómo llamo a un agente Retrieve?

Haz POST a /retrieve/{agent_name} con un body JSON de preguntas (cada una con format opcional: string, int, boolean, json o array:string). Recibes respuestas tipadas en orden y un log_id. El mismo agente está disponible por MCP (claix.retrieve.ask) y A2A.

¿Qué formatos de respuesta puedo pedir?

En modo razonada puedes pedir string, int, boolean, timestamp, timestamptz, date, json, array:string o array:int. Los valores tipados permiten ramificar por booleanos, usar números y listas directamente y evitar parsear texto libre.

¿Cómo funciona el precio?

Con la IA gestionada de Claix la tarifa es 0,10 € por pregunta. Con tu propia clave LLM (BYOK) de OpenAI, Google, Anthropic o xAI, la tarifa de Claix baja a 0,02 € por pregunta y pagas los tokens de tu proveedor. Con tu propia clave, los resultados dependen del modelo: pruébalo en el Sandbox antes de pasar a producción.

¿Agentic RAG es lo mismo que vector RAG?

No. Están en ejes distintos. “Agentic” habla de quién dispara la recuperación (pipeline fijo vs agente que llama a una herramienta). “Vector” habla de cómo se emparejan resultados (embeddings). Un agente puede llamar a SQL, BM25 o embeddings; un pipeline fijo puede usar búsqueda híbrida. Para datos de negocio relacionales, los embeddings suelen ser el default equivocado.

¿La recuperación por SQL es RAG?

Sí. RAG significa que la información recuperada alimenta al modelo. No exige embeddings ni que lo recuperado sean trozos de texto. Una consulta SQL que devuelve registros en vivo para el modelo sigue siendo recuperación.

¿Cuándo sigue teniendo sentido una base vectorial?

Cuando necesitas descubrimiento semántico sobre una colección grande y permanente de texto, mucho tráfico de búsqueda repetido, o un producto donde la búsqueda es el producto. Para valores exactos, conteos, fechas y filas en vivo que ya están en Postgres, consulta la base donde vive con acceso acotado en lugar de copiarla a un índice.

¿Puedo usar Claix desde LangChain, Cursor o n8n?

Sí. Claix no es un framework de agentes: es una capa de recuperación que llamas desde el stack que ya usas. Llama por REST desde cualquier cliente HTTP (incluido n8n), expón el agente como herramienta MCP para Cursor y clientes compatibles, o conéctalo por A2A para que otros agentes deleguen preguntas de datos.

¿Qué pasa si la respuesta no está en las tablas permitidas?

El campo vuelve vacío en lugar de una invención. Las consultas solo se ejecutan dentro de las rutas que adjuntaste al agente; todo lo que queda fuera de ese perímetro no existe para ellos. Las trazas muestran qué se preguntó, qué ruta respondió y qué volvió.

¿En qué se diferencia Claix de un servidor MCP genérico sobre la base?

Conectar un MCP de base es rápido, pero el modelo de acceso depende del servidor y del rol. Claix añade rutas, allowlists por agente, validación antes de ejecutar, respuestas tipadas multi-pregunta y una traza revisable: defines el límite una vez y se aplica en cada llamada.

¿Cómo doy a un agente de IA acceso a una base de datos?

Conéctalo a través de una capa que limite qué puede ver y ejecutar. Como mínimo, usa un rol dedicado de solo lectura limitado a las tablas y columnas que necesita, valida las consultas antes de ejecutarlas, fija timeouts y límites de filas, y registra cada petición. Un servidor MCP de base de datos, un framework, una capa semántica o un servicio gestionado pueden aportar estas piezas.

¿Es seguro conectar un LLM directamente a una base de datos?

No para producción. Un modelo puede ser manipulado por instrucciones ocultas en el texto que lee, y puede escribir consultas que se ejecutan correctamente pero devuelven la respuesta equivocada. Limita el rol, valida las consultas y guarda logs.

¿Qué es un servidor MCP de base de datos?

Un servidor que usa el Model Context Protocol para que los clientes de IA consulten una base de datos como herramienta. El de Supabase tiene modo de solo lectura y acotación por proyecto, y Supabase indica que está diseñado para desarrollo y pruebas.

¿Qué es una capa semántica para agentes de IA?

Una capa que define métricas de negocio, dimensiones y reglas de acceso una vez, para que los agentes consulten definiciones gobernadas en lugar de tablas en bruto. Cube y Wren AI son ejemplos.

¿Qué es la recuperación agentica sobre datos estructurados?

Que un agente decida cuándo necesita información y la obtenga de una base de datos con una herramienta, en lugar de leer una copia de los datos. La información viene de la fuente en vivo.

¿Necesito una base de datos vectorial para datos estructurados?

Normalmente no. Para preguntas sobre valores exactos, conteos y fechas, consultar la base de datos directamente es más preciso que buscar embeddings. La búsqueda vectorial encaja con el descubrimiento semántico sobre grandes cantidades de texto no estructurado.

¿Debe un agente de IA escribir SQL?

Puede, con salvaguardas: un rol de solo lectura, validación de consultas, límites y logging. Para un conjunto pequeño de preguntas fijas, las consultas predefinidas son más seguras y predecibles.

¿Cuál es la mejor opción open source?

Depende del trabajo. Cube Core y Wren AI son capas semánticas open source. LangChain aporta piezas para un agente a medida. Comprueba el estado de mantenimiento de cada proyecto antes de comprometerte.

¿Cómo evito que un agente lea columnas sensibles?

Hazlo en la base de datos, no en el prompt: concede SELECT solo sobre las columnas que el agente puede usar, o expón una vista con solo columnas seguras.

Ir a la página principal

Volver al blog

Arquitectura · AgentesOctober 23, 2026PorGael Anaya

Mejores capas de acceso a base de datos para agentes de IA (guía 2026)

Cómo dar a un agente de IA acceso a tu base de datos: compara servidores MCP, frameworks, capas semánticas y capas gestionadas, y qué mirar en cada una.

Claix · Actualizado octubre 2026. Guías relacionadas: rol de solo lectura en Postgres (/blog/read-only-postgres-role-for-ai-agents), consultas seguras (/blog/how-to-let-an-ai-agent-query-postgres-safely), documentar la base de datos (/blog/how-to-document-your-database-for-ai-agents), probar text-to-SQL (/blog/how-to-test-a-text-to-sql-agent) y alternativas a Vanna (/blog/alternatives-to-vanna-text-to-sql). Producto: Claix Retrieve (https://www.claix.dev/). Precios: https://www.claix.dev/#precios. Revisa cada pocos meses.

¿Qué es una capa de acceso a base de datos para agentes de IA?

Una capa de acceso a base de datos es la pieza que se sitúa entre un agente de IA y una base de datos y decide cómo obtiene información de ella. También se describe como recuperación agentica sobre datos estructurados: el agente decide cuándo necesita un hecho, llama a una herramienta y recibe filas o una respuesta, en lugar de leer una copia de los datos en un almacén vectorial.

La capa puede ser tan fina como una conexión a la base de datos o tan completa como un servicio que gestiona permisos, comprobación de consultas, límites y logging. Cuanto más fina sea, más de esos trabajos caen sobre ti.

¿Por qué no dar al agente simplemente una conexión a la base de datos?

Puedes, y funciona en una demo. En producción tiene tres problemas.

El modelo puede ser manipulado. Instrucciones ocultas en un mensaje de usuario, un documento o un campo de la base de datos pueden cambiar lo que hace un agente. La documentación de Supabase llama a la inyección de prompts el principal ataque específico de los modelos de lenguaje y recomienda modo de solo lectura y acotación para quien conecte un agente a datos reales.

Las respuestas incorrectas no generan errores. Un modelo puede escribir una consulta que se ejecuta, parece razonable y devuelve lo equivocado, por ejemplo al escribir mal un valor de estado para que la consulta no coincida con ninguna fila. Nada falla, y alguien actúa sobre un resultado vacío.

No puedes ver qué ocurrió. Sin un registro de la pregunta, la consulta y el resultado, no puedes depurar una respuesta rara ni demostrar qué leyó un agente.

Una buena capa de acceso existe para resolver estos tres problemas.

¿Qué comparar en el acceso de agentes de IA a la base de datos?

Permisos. ¿Puedes limitar el agente a tablas y columnas concretas, y se aplica fuera del prompt?
Solo lectura por diseño. ¿Se conecta con un rol que no puede cambiar datos?
Comprobación de consultas. ¿Se valida el SQL antes de ejecutarlo?
Límites. ¿Hay timeouts, tope de filas y controles de coste?
Formato de respuesta. ¿Obtienes filas, texto o valores tipados que tu código pueda usar?
Logging. ¿Se registra cada petición con la pregunta, la consulta y el resultado?
Significado de negocio. ¿Puedes describir qué significan tus tablas y términos para que el agente no adivine?
Operaciones. ¿Quién la hospeda, actualiza y repara?
Acceso por usuario. ¿Puede restringir lo que ve cada usuario final, o solo lo que ve cada agente?
Aptitud para producción. ¿Está diseñada para usuarios reales o para desarrollo?

¿Qué capas de acceso a base de datos para agentes de IA existen?

Opción	Ejemplos	Qué es	Ideal para	Principal contraprestación
Servidor MCP de base de datos	Supabase MCP	Una herramienta lista que conecta un cliente de IA a una base de datos	Explorar datos mientras construyes	Supabase dice que su servidor está diseñado para desarrollo y pruebas
Framework	Agentes SQL de LangChain o LangGraph	Piezas para construir tu propio agente	Equipos con tiempo de ingeniería que quieren control	Tú construyes y posees validación, seguridad y logging
Capa semántica	Cube, Wren AI	Métricas de negocio y reglas de acceso definidas una vez, consultadas por nombre	Métricas gobernadas compartidas entre equipos	Requiere modelado previo; orientada sobre todo a analítica
Capa gestionada	Claix	Un servicio que llama tu agente, con permisos, validación y trazas incluidas	Agentes en producción que necesitan acceso controlado sin hospedar código	Acotado por agente, no por usuario final; Postgres y Supabase hoy

¿Cómo se ve la misma pregunta en cada opción?

Toma una pregunta sencilla: ¿ha aceptado este cliente el consentimiento de marketing?

Servidor MCP de base de datos: el modelo escribe una consulta SQL y la ejecuta con una herramienta de base de datos. La seguridad depende del rol con el que te conectaste y de cualquier ajuste de solo lectura.
Framework: el código de tu agente da al modelo herramientas SQL. Tú decides cómo se comprueban, limitan y registran las consultas.
Capa semántica: el agente pide una medida o dimensión definida por nombre, y la capa genera el SQL y aplica sus reglas de acceso. Encaja con preguntas que tu equipo ha definido de antemano.
Capa gestionada: el agente envía la pregunta en lenguaje natural y obtiene una respuesta tipada, como verdadero o falso, con la petición trazada.

¿Cuándo usar un servidor MCP de base de datos?

MCP, el Model Context Protocol, es una forma estándar de que los clientes de IA usen herramientas. Un servidor MCP de base de datos expone el acceso a la base de datos como una de esas herramientas. El de Supabase tiene un modo de solo lectura que ejecuta consultas como usuario Postgres de solo lectura, y una opción de acotación por proyecto. Su documentación también indica que el servidor está diseñado para desarrollo y pruebas.

Bueno para: explorar un esquema, prototipar y responder tus propias preguntas mientras construyes.

Cuidado con: qué rol usa, si comprueba consultas y si guarda logs. No lo trates como la capa de acceso de un agente que sirve a otras personas.

¿Cuándo usar un framework?

Los frameworks te dan las piezas para construir tú mismo un agente de base de datos. La documentación de LangChain es sincera sobre la contraprestación: ejecutar SQL generado por el modelo conlleva riesgos inherentes, los permisos deben acotarse lo más posible, y las herramientas del tutorial son wrappers mínimos de demostración que necesitan tu propia validación antes de usarlas.

Bueno para: equipos que quieren la lógica en su propio código y tienen tiempo para construirla y mantenerla.

Cuidado con: el trabajo que queda fuera del framework: el rol de solo lectura, el validador, los límites, los logs y las pruebas. Nuestras guías anteriores cubren cada uno.

Una advertencia para quien elija un framework hoy: Vanna, un framework open source de text-to-SQL popular, tuvo su repositorio principal archivado en marzo de 2026. Consulta nuestra guía de alternativas a Vanna (/blog/alternatives-to-vanna-text-to-sql).

¿Cuándo usar una capa semántica?

Una capa semántica define métricas de negocio, dimensiones y reglas de acceso una vez, y deja que los agentes consulten esas definiciones en lugar de tablas en bruto. Cube describe su enfoque así: su núcleo open source, Cube Core, es la capa semántica, y su plataforma expone el modelo gobernado por MCP, SQL, REST y GraphQL, con control de acceso a nivel de fila y multi-tenant y caché. Wren AI es otra opción open source construida alrededor de una capa semántica. Una comparación de septiembre de 2026 de un proveedor del mismo espacio describió su coste principal como el trabajo de modelado que haces de antemano.

Bueno para: números coherentes entre dashboards, equipos y agentes, sobre todo en un data warehouse.

Cuidado con: el esfuerzo de puesta en marcha, y un foco en analítica y métricas más que en preguntas operativas como el estado de un pedido.

¿Cuándo usar una capa gestionada?

Una capa gestionada es un servicio que llama tu agente. Claix es una: conectas Postgres o Supabase con un rol de solo lectura, eliges qué tablas y columnas puede usar cada agente, y escribes una nota breve con tus reglas de negocio. Cada agente obtiene un endpoint por REST, MCP o A2A, y devuelve resultados validados o respuestas tipadas. Cada petición se traza.

Bueno para: agentes en producción, equipos pequeños sin capacidad para hospedar y mantener una capa de acceso, y flujos que necesitan un valor (verdadero o falso, un número, una lista) en lugar de texto.

Cuidado con: los límites de abajo.

¿Dónde Claix no es la mejor opción?

Nosotros construimos Claix, así que diremos dónde no encaja:

Necesitas filtrado de filas por usuario final dentro de la herramienta. Claix acota el acceso por agente. Las reglas por persona quedan en tu base de datos o tu aplicación.
Necesitas métricas de negocio gobernadas para analistas. Una capa semántica está pensada para eso.
Debes autoalojar todo. Claix es un servicio gestionado.
Quieres dashboards y gráficos. Claix devuelve datos y respuestas a tu agente.
Usas una base de datos distinta de Postgres o Supabase. Esas son las que Claix soporta hoy.

¿Cómo elegir la mejor capa de acceso a base de datos?

¿Solo exploras tus propios datos? Un servidor MCP de base de datos.
¿Construyes un agente a medida y te vale poseer las salvaguardas? Un framework.
¿Necesitas una definición de ingresos en toda la empresa? Una capa semántica.
¿Ejecutas un agente para usuarios reales y no quieres hospedar código? Una capa gestionada.
¿Solo un puñado de preguntas fijas? Funciones o endpoints de API predefinidos pueden bastar.

Checklist antes de poner un agente sobre datos reales

Un rol dedicado de solo lectura limitado a tablas y columnas concretas
Consultas validadas antes de ejecutarse
Timeouts, límites de filas y controles de coste
Descripciones de tus tablas y términos de negocio
Logging de cada petición
Un conjunto de pruebas que incluya casos de ataque
Reglas por usuario aplicadas donde la capa no pueda
Una respuesta clara a: ¿quién mantiene esto dentro de seis meses?

Fuentes

Las afirmaciones de producto anteriores proceden de documentación de proveedores y comparaciones independientes comprobadas alrededor de octubre de 2026, incluidas docs de Supabase MCP, docs de agentes SQL de LangChain, materiales de capa semántica de Cube, cobertura de Wren AI y el estado de archivo de Vanna. Vuelve a comprobar antes de comprometerte: esta categoría cambia a menudo.

Preguntas frecuentes

¿Cómo doy a un agente de IA acceso a una base de datos?: Conéctalo a través de una capa que limite qué puede ver y ejecutar. Como mínimo, usa un rol dedicado de solo lectura limitado a las tablas y columnas que necesita, valida las consultas antes de ejecutarlas, fija timeouts y límites de filas, y registra cada petición. Un servidor MCP de base de datos, un framework, una capa semántica o un servicio gestionado pueden aportar estas piezas.
¿Es seguro conectar un LLM directamente a una base de datos?: No para producción. Un modelo puede ser manipulado por instrucciones ocultas en el texto que lee, y puede escribir consultas que se ejecutan correctamente pero devuelven la respuesta equivocada. Limita el rol, valida las consultas y guarda logs.
¿Qué es un servidor MCP de base de datos?: Un servidor que usa el Model Context Protocol para que los clientes de IA consulten una base de datos como herramienta. El de Supabase tiene modo de solo lectura y acotación por proyecto, y Supabase indica que está diseñado para desarrollo y pruebas.
¿Qué es una capa semántica para agentes de IA?: Una capa que define métricas de negocio, dimensiones y reglas de acceso una vez, para que los agentes consulten definiciones gobernadas en lugar de tablas en bruto. Cube y Wren AI son ejemplos.
¿Qué es la recuperación agentica sobre datos estructurados?: Que un agente decida cuándo necesita información y la obtenga de una base de datos con una herramienta, en lugar de leer una copia de los datos. La información viene de la fuente en vivo.
¿Necesito una base de datos vectorial para datos estructurados?: Normalmente no. Para preguntas sobre valores exactos, conteos y fechas, consultar la base de datos directamente es más preciso que buscar embeddings. La búsqueda vectorial encaja con el descubrimiento semántico sobre grandes cantidades de texto no estructurado.
¿Debe un agente de IA escribir SQL?: Puede, con salvaguardas: un rol de solo lectura, validación de consultas, límites y logging. Para un conjunto pequeño de preguntas fijas, las consultas predefinidas son más seguras y predecibles.
¿Cuál es la mejor opción open source?: Depende del trabajo. Cube Core y Wren AI son capas semánticas open source. LangChain aporta piezas para un agente a medida. Comprueba el estado de mantenimiento de cada proyecto antes de comprometerte.
¿Cómo evito que un agente lea columnas sensibles?: Hazlo en la base de datos, no en el prompt: concede SELECT solo sobre las columnas que el agente puede usar, o expón una vista con solo columnas seguras.

← Volver al blog