Volver al blog
RAG · Agentes

RAG agéntico frente a RAG vectorial: dos decisiones distintas para agentes sobre bases de datos

Pipeline fijo o agéntico, y recuperación vectorial o por SQL, son decisiones distintas. Cómo elegir para agentes que leen datos relacionales y cuándo el acceso controlado gana al indexado.

Actualizado en octubre de 2026. Este artículo se escribió cuando Claix era una API de documentos. Se ha reescrito en torno a lo que Claix es hoy: una capa de recuperación controlada sobre tu propia base de datos relacional. El argumento central, que "agéntico" y "vectorial" son decisiones distintas, no ha cambiado.

La generación aumentada por recuperación empezó como un pipeline. Trocear los documentos, generar embeddings de los chunks, guardar los vectores y, antes de cada respuesta, traer los pasajes más cercanos y dárselos al modelo. Es fácil de explicar, y en parte por eso sigue siendo lo que enseñan la mayoría de los tutoriales.

Los agentes cambiaron la forma de ese proceso, no lo que hay dentro. Cuando los modelos fueron fiables llamando a herramientas, el retrieval pasó a ser algo que el modelo puede hacer, repetir o saltarse, y muchos equipos llevan tiempo trabajando así. Lo que no cambió por sí solo es lo que hay detrás de la llamada a la herramienta. En muchos proyectos sigue siendo una búsqueda vectorial sobre una copia de los datos, porque eso es lo que construyó el tutorial, aunque la fuente de verdad real sea una tabla de Postgres que ya conoce la respuesta.

Qué significa el RAG para agentes de IA

Significa dar a un agente acceso a información fuera de su contexto mientras trabaja. En un pipeline fijo ese acceso ocurre una vez, al principio. En un montaje agéntico es una herramienta que el agente llama cuando decide que necesita algo.

Pipeline fijo
pregunta → embedding → búsqueda vectorial → chunks → modelo → respuesta

Agéntico
tarea → el agente decide qué necesita → llama a una herramienta de base de datos o de búsqueda
     → mira el resultado → llama a otra herramienta, o actúa

Nada en el segundo flujo dice que la herramienta use embeddings. Puede ser un índice BM25, una consulta SQL o una API. De eso va la sección siguiente.

Dos decisiones que se mezclan

DecisiónOpciones
¿Cuándo ocurre la recuperación?Siempre, antes de generar (pipeline fijo). O cuando el agente llama a una herramienta (agéntico).
¿Cómo se emparejan los resultados?Embeddings. Búsqueda por palabras clave (BM25). Un híbrido de las dos. SQL o filtros estructurados. Sin emparejamiento: los datos van al contexto directamente.

Cualquier opción de la primera fila se combina con cualquiera de la segunda. Un agente puede llamar a un índice BM25. Un pipeline fijo puede ejecutar búsqueda híbrida. Por eso "RAG agéntico frente a RAG vectorial" compara cosas en ejes distintos, y esos debates suelen dar vueltas. También significa que una consulta SQL que alimenta a un modelo es retrieval: el RAG solo exige que la información recuperada alimente al modelo, da igual qué la haya recuperado.

Dónde fallan los pipelines vectoriales fijos con registros de bases de datos

Las copias se quedan obsoletas. Un índice vectorial es una instantánea. Un cliente cambia su consentimiento, se cancela una reserva, se actualiza un precio, y el índice está mal hasta la siguiente sincronización. Mientras tanto, la base de datos ya tenía la respuesta correcta.

La similitud no es una búsqueda. Los embeddings pueden decirte que dos pasajes hablan de lo mismo. No pueden decirte cuál es la próxima reserva de un huésped, ni que hay 14 mesas reservadas el sábado por la noche. Las preguntas sobre valores exactos, conteos y fechas piden un filtro, un join o una agregación, y la búsqueda por vecinos más cercanos no calcula nada de eso.

Aplanar pierde relaciones. Una fila dice poco sin sus claves: un pedido pertenece a un cliente, una reserva a una mesa, un empleado a un turno. Convertir filas en chunks de texto tira la estructura que la base de datos estaba hecha para imponer.

El control de acceso no sobrevive a la copia. En la base de origen, los permisos deciden qué tablas y columnas puede leer un rol. Cuando los datos se embeben en otro almacén, esas reglas hay que reconstruirlas allí, y cada reconstrucción es una oportunidad de exponer algo que debía quedarse privado.

Una sola consulta rara vez basta. Encontrar un cliente, luego su última reserva, luego contrastar el depósito con una política son varios pasos, cada uno depende del anterior. Una cadena fija asume que una recuperación lo cubre. Esta es la parte que el bucle del agente sí resolvió de verdad.

Los almacenes vectoriales traen mantenimiento. Ingesta, sincronización, re-embedding cuando cambia el esquema, borrados y evaluar si el retrieval sirve. Nada de eso es exótico, pero es trabajo que existe antes de que el producto haga nada.

Nada de esto convierte la búsqueda vectorial en una mala herramienta. Si alguien pide todo lo relacionado con retención de datos en una wiki de empresa, sin saber qué palabras usaron los autores, los embeddings hacen algo que el SQL no puede. La crítica es usarlos por defecto con datos cuyas preguntas van de valores exactos.

Cómo se ve la recuperación agéntica

El agente decide si necesita recuperar algo, elige una fuente, reescribe la consulta si el primer intento falló, comprueba si el resultado basta y vuelve a intentar o para. Las herramientas pueden ser tan ordinarias como search_wiki(), query_database(), get_customer(), check_availability(), call_api() y request_human_review().

Esto es la base ahora, no la frontera. La pregunta abierta es qué hace bien query_database(), y bajo qué reglas: qué tablas puede tocar el agente, qué se le permite devolver, qué pasa cuando los datos no están, y quién puede ver lo que preguntó.

Cómo evolucionó el retrieval para agentes

Más o menos en este orden: recuperar y generar; añadir reranking; mezclar vectorial, palabras clave y filtros de metadatos en un híbrido; dejar que el agente llame al retrieval como herramienta en lugar de ejecutarlo en un camino fijo; y, con datos de negocio, apuntar esa herramienta al sistema de registro en lugar de a una copia. Los primeros pasos ya no son nuevos. Lo que aún se está resolviendo es la capa bajo la herramienta, donde una conexión genérica deja de bastar y empiezan a importar los límites.

Alternativas a la recuperación basada en vectores

Llamar a esto "alternativas al RAG" es impreciso, porque la mayoría sigue pasando contexto externo a un modelo. Difieren en cómo se elige ese contexto.

Generación directa de SQL. El modelo escribe una consulta a partir de la pregunta y el esquema. Flexible y rápido de prototipar. Lo difícil es mantenerlo en solo lectura, dentro de las tablas que debe usar, y correcto.

Consultas predefinidas y herramientas de función. Escribes un conjunto fijo de funciones (get_order_status, list_bookings) y el agente las llama. Predecible y seguro, pero cada tipo nuevo de pregunta necesita código nuevo.

Capas semánticas. Defines métricas y entidades una vez, y los agentes consultan eso en lugar de tablas crudas. Bueno para analítica y métricas gobernadas, y a menudo más pesado de lo que un equipo pequeño quiere operar.

Servidores MCP de base de datos. Exponen una base a un agente mediante el Model Context Protocol. Rápidos de conectar. El modelo de acceso depende del servidor y del rol con el que te conectas.

Búsqueda por palabras clave e híbrida. BM25 solo suele bastar cuando la gente busca con los mismos términos que usa el contenido. Combinado con vectores cubre mucho terreno.

Grafos de conocimiento. Capturan relaciones que la similitud no captura, a costa de construir y mantener el grafo.

Contexto completo. Con conjuntos pequeños, dar al modelo todo en una forma limpia y estructurada puede ser más fiable que recuperar trozos.

Extracción estructurada. Si la información sigue encerrada en PDFs u hojas de cálculo, extráela a campos y cárgala en una tabla primero. Después es una pregunta de base de datos.

Recuperación sobre bases de datos para agentes

"Text-to-SQL" a menudo solo significa un modelo que escribe consultas, que es una implementación. Un agente que trabaja con la base de una empresa puede necesitar buscar un registro, contar filas que cumplen una condición, comprobar un flag, unir dos tablas y distinguir entre "no" y "los datos no están". Tiene que hacerlo dentro de límites que alguien eligió a propósito. Eso se parece más a una interfaz controlada que a un índice de búsqueda.

Dónde encaja Claix

Claix es una capa de recuperación de datos controlada para agentes de IA. Se conecta a cualquier base de datos SQL, así que no copia tus datos a un almacén vectorial ni construye un índice sobre ellos. "Sin base vectorial" por sí solo dice poco, así que aquí va lo que hace.

Conectas la base con un rol de solo lectura. Claix lee su estructura y te propone un Data Map (tablas, descripciones y relaciones) para que lo revises y edites. Luego creas rutas: cada ruta lista las tablas y columnas que puede usar, más una guía breve en lenguaje natural con tus reglas y vocabulario. Por último creas un agente: un nombre que se convierte en su endpoint, un prompt de negocio que dice qué hace y cuándo usar cada ruta, las rutas asociadas y un modo de respuesta, o bien resultados en bruto o respuestas razonadas en el tipo que pidas.

Llamar a un agente es una sola petición. Envías hasta cinco preguntas, cada una etiquetada con el tipo que esperas (string, integer, boolean, array u object), y recibes respuestas tipadas en el mismo orden. Por detrás, el modelo escribe consultas SELECT dentro de los límites de las rutas del agente. Las consultas se validan antes de ejecutarse, y cada petición queda trazada, así que puedes ver qué ruta respondió, qué se ejecutó y qué volvió. Cuando las tablas permitidas no contienen la respuesta, el campo vuelve vacío en lugar de una conjetura. Los agentes están disponibles por REST, MCP y A2A, y puedes ejecutarlos con Claix Managed AI o con tu propia clave de LLM.

Ese diseño tiene un techo, y conviene decirlo claro. Funciona cuando las respuestas viven en datos relacionales y puedes describir las tablas relevantes. No hace descubrimiento semántico sobre un montón de texto no estructurado; para eso quieres un paso de búsqueda delante, y si son embeddings o BM25 es otra decisión. El acceso se acota por agente, no por usuario final: si cada persona solo debe ver sus propias filas, aplícalo en tu base o en tu aplicación. Y un modelo aún puede escribir una consulta permitida y válida pero incorrecta, por eso importan las buenas descripciones, las relaciones explícitas y las trazas. Si tu información sigue en PDFs, Claix Ingest la extrae a campos estructurados y la carga en tu base, para que un agente pueda preguntar después.

Una cosa más: elegir qué agente ve qué tablas es lo que controlas tú. Claix no decide qué deberían poder ver tus agentes. Hace cumplir lo que decidiste y te muestra qué pasó.

Alternativas a Vanna y LlamaIndex

Vanna es un framework text-to-SQL que hospedas y amplías tú, y LlamaIndex está pensado en torno a conectores, índices y motores de consulta. Si quieres un framework que ejecutas y afinás, encajan. Si no, hay otras vías: llamar a herramientas desde el SDK del proveedor cuando quieres control sobre estado, reintentos y permisos; LangChain y LangGraph para flujos con ramas y pasos de aprobación humana; una capa semántica como Cube cuando necesitas métricas gobernadas; un servidor MCP de base de datos para acceso rápido; o una capa gestionada como Claix. Claix no es un framework de agentes y no sustituye uno. Es algo que llamas desde dentro de uno.

Cuándo siguen teniendo sentido las bases vectoriales

Cuando tienes millones de segmentos de texto, una colección grande y permanente, volumen de consultas alto y repetido, muchos usuarios sobre el mismo contenido, o un producto donde la búsqueda es el producto. En esos casos los embeddings justifican el mantenimiento. La pregunta útil no es vectores o agentes, sino qué tipo de consulta necesita cada tarea: descubrimiento semántico, valores exactos, agregación entre filas, registros en vivo o documentos.

Una arquitectura mejor para agentes sobre bases de datos

Piensa en capas. Primero, un modelo de datos descrito: tablas, columnas y relaciones en lenguaje de negocio, para que el agente sepa qué significa cada cosa. Segundo, acceso acotado: qué tablas y columnas puede usar cada capacidad, sobre una conexión de solo lectura. Tercero, operaciones de recuperación: buscar, filtrar, unir, contar, comparar, con validación y límites. Cuarto, el razonamiento del propio agente: planificar, elegir herramientas, comprobar resultados, decidir si continuar. Quinto, la acción de negocio: crear un registro, notificar, escalar, pedir revisión.

Un pipeline vectorial fijo puede embeber las filas de una tabla de reservas y preguntar al modelo por la próxima reserva de un huésped. Puede devolver una obsoleta, o una que solo se parece. Un enfoque controlado pregunta a la base cuál es la próxima reserva de ese huésped, unida con la mesa y el depósito, usando solo las columnas que el agente puede leer, y devuelve un objeto que el flujo puede usar directamente. Una comprobación de cumplimiento funciona igual: si este cliente aceptó el consentimiento de marketing es un booleano con el que tu flujo puede ramificar, no un párrafo que interpretar. Un agente de soporte comprueba el estado de un pedido antes de responder, usando solo las columnas que necesita.

Por qué la recuperación agéntica se convirtió en el valor por defecto

Los agentes necesitan contexto de varias fuentes a lo largo de varios pasos. El retrieval es una herramienta entre bases de datos, CRMs, calculadoras, búsqueda web y revisión humana. Tienen que juzgar si la evidencia basta, si dos fuentes discrepan y si es seguro actuar. Y una tarea como confirmar una reserva no encaja en una búsqueda seguida de una respuesta.

Qué cambia para los desarrolladores

El trabajo pasa de construir un gran pipeline de retrieval a diseñar un conjunto pequeño de capacidades con límites. En lugar de preguntar cómo indexar todo, pregunta qué debería poder leer el agente, de qué tablas, bajo qué reglas, y cómo verás lo que hizo. En lugar de sincronizar tus datos a un sistema nuevo, pregunta si el sistema que ya los guarda puede responder, con los límites adecuados alrededor.

Un marco práctico de decisión

  • Conjunto pequeño, campos conocidos: omite el retrieval y ponlo en contexto.
  • Datos en una base relacional, preguntas sobre valores exactos: consúltala donde viven, acotada a las tablas que el agente necesita.
  • Las mismas preguntas una y otra vez: funciones o rutas predefinidas, para que el comportamiento sea predecible.
  • Datos en documentos: extráelos primero a campos estructurados, o busca con embeddings si las preguntas son semánticas.
  • Muchas fuentes: deja que un agente llame a cada una como herramienta.
  • Necesitas saber qué pasó: traza cada petición, incluida la pregunta, la ruta y el resultado.

Errores habituales

Tratar todo problema de datos como búsqueda semántica cuando el flujo necesita conteos, fechas o identificadores. Copiar una base a un almacén vectorial antes de comprobar si la base puede responder. Dar a un agente una conexión con permisos amplios y confiar en el prompt para que se contenga. Describir mal las tablas, de modo que el modelo adivine qué significa una columna. Tratar los datos ausentes como una respuesta negativa, cuando desconocido no es lo mismo que falso. Dejar que un agente actúe sobre sistemas de clientes o financieros sin un rastro de lo que leyó. Y comparar "agéntico" frente a "vectorial" como si fueran un solo eje.

Dónde queda esto

La parte en la que un agente llama al retrieval como herramienta está resuelta. Lo que aún se está trabajando es cómo son esas herramientas para datos de negocio: cuánto acceso reciben, quién lo define, cómo se detectan las respuestas incorrectas y cómo revisas lo que pasó. Ahí es donde estamos dedicando el tiempo.

Preguntas frecuentes

¿Qué es el RAG para agentes de IA?
Dar a un agente acceso a información fuera de su contexto mientras trabaja, mediante retrieval o herramientas de datos. El agente puede decidir cuándo recuperar, de qué fuente y si necesita más.
¿Qué es el RAG agéntico?
La recuperación como herramienta que el agente llama, en lugar de un paso fijo que siempre se ejecuta. El agente decide cuándo recuperar, reescribe consultas, comprueba si el resultado basta y continúa o para.
¿El RAG agéntico está sustituyendo al RAG tradicional?
En gran medida, en el sentido de que los agentes que llaman a herramientas de retrieval ya son el patrón habitual. No sustituye la búsqueda vectorial en sí. "Agéntico" y "vectorial" son decisiones distintas.
¿La recuperación por SQL es RAG?
Sí. RAG significa que la información recuperada alimenta al modelo. No exige embeddings, y esa información no tiene que ser chunks de texto.
¿La búsqueda por palabras clave (BM25) es RAG?
Sí, por la misma razón.
¿Las bases vectoriales o los embeddings están obsoletos?
No. Son la herramienta adecuada para el descubrimiento semántico sobre grandes colecciones de texto. No hacen falta en todos los flujos, sobre todo cuando los datos ya viven en una base relacional y las preguntas van de valores exactos.
¿Puedo construir un agente sin base vectorial?
Sí. Usa SQL, funciones predefinidas, búsqueda por palabras clave, APIs u otras herramientas. Una base vectorial merece la pena cuando el caso de uso necesita recuperación semántica sobre una colección grande.
¿Cuáles son las alternativas al RAG con base vectorial?
Generación directa de SQL, herramientas de función predefinidas, capas semánticas, servidores MCP de base de datos, búsqueda por palabras clave o híbrida, grafos de conocimiento y prompts de contexto completo.
¿Cuáles son las alternativas a Vanna y LlamaIndex?
Llamada directa a herramientas desde el SDK del proveedor, LangChain y LangGraph, una capa semántica como Cube, un servidor MCP de base de datos, un runtime a medida o una capa gestionada como Claix. Cuál encaja depende de si quieres un framework que hospedar, una capa de métricas o un servicio gestionado.
¿Claix usa embeddings?
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.
¿Claix escribe en mi base de datos?
No. Claix se conecta con un rol de solo lectura. Cargar datos es un producto aparte, Claix Ingest, que eliges usar o no.
¿Qué bases de datos admite Claix?
Cualquier base de datos SQL, incluidas Postgres, MySQL y MariaDB. Te conectas con un rol de solo lectura.
¿Puedo usar mi propia clave de LLM?
Sí. Puedes usar Claix Managed AI o conectar tu propia clave y elegir el modelo. Con tu clave, los resultados dependen del modelo que elijas, así que pruébalo antes de pasar a producción.
¿Claix sustituye a LlamaIndex, Vanna o LangChain?
No. Claix es una capa de recuperación que puedes llamar desde un runtime a medida o desde frameworks como LangChain y LangGraph. No sustituye un framework de agentes.
¿Cómo encaja Claix en la recuperación agéntica?
Un agente puede llamarlo como herramienta: hacer preguntas tipadas sobre tus datos por REST, MCP o A2A. No decide qué bases importan. Tú decides a qué puede acceder cada agente, y Claix lo hace cumplir y registra lo que pasó.