Estás en una entrevista para ingeniero de IA en Google. El entrevistador pregunta: "Nuestros datos están distribuidos en varias fuentes (Salesforce, Gmail, Drive, etc.) ¿Cómo construirías un motor de consultas unificado sobre ella?" Tú: "Incrustaré todo en una base de datos vectorial y haré RAG." ¡Entrevista terminada! Muchos desarrolladores todavía piensan que la recuperación de contexto es una tubería lineal: Fragmentos → Embeded → Recuperar → Generar Esto funciona muy bien para demos sencillas, pero los sistemas de producción necesitan algo fundamentalmente diferente. Para entender mejor, considera esta consulta: "Compara nuestro rendimiento de ventas en el cuarto trimestre en la región de Chicago con las proyecciones del año pasado formuladas en una reunión con los interesados." Esta única consulta requiere: - Datos de ventas de tu base de datos SQL - Relaciones de grafos (jerarquía organizacional) - Búsqueda vectorial sobre informes de proyección - Filtrado basado en el tiempo (cuarto trimestre de este año frente al año pasado) - Comprobaciones de permisos (para autorización de usuario) ...