¿Merece la pena Agentic RAG? Los sistemas RAG han evolucionado de simples tuberías de recuperador-generador a flujos de trabajo sofisticados. Sigue sin estar claro cuándo usar Enhanced RAG (pipelines fijos con módulos dedicados) versus Agentic RAG (el LLM orquesta todo el proceso dinámicamente). Esta investigación proporciona la primera comparación empírica. El RAG mejorado añade componentes predefinidos para abordar debilidades específicas: routers para determinar si es necesario recuperar, reescritores de consultas para mejorar el alineamiento y reclasificadores para refinar la selección de documentos. El flujo de trabajo es fijo y se diseña manualmente. El RAG agente adopta un enfoque diferente. El LLM decide qué acciones realizar, cuándo realizarlas y si iterar. No hay componentes extra más allá de la base de conocimientos básica, el recuperador y el generador. El modelo lo controla todo. Los investigadores evaluaron ambos paradigmas en cuatro dimensiones en tareas de QA y recuperación de información. Manejo de la intención del usuario: Agentic supera ligeramente a Enhanced en la mayoría de las tareas, pero Enhanced gana decisivamente en FEVER (+28,8 puntos F1), donde el agente a menudo recupera innecesariamente. Reescritura de consultas: Agentic RAG logra un promedio de 55,6 NDCG@10 frente al 52,8 de Enhanced, lo que demuestra que el agente puede reescribir las consultas de forma adaptativa cuando es beneficioso. Refinamiento de documentos: El RAG mejorado con reclasificación (49,5 NDCG@10) supera a Agentic (43,9). Los módulos dedicados de reclasificación superan los intentos de recuperación iterativa. El RAG agente es mucho más sensible a la capacidad del modelo. Con modelos más débiles, el RAG mejorado mantiene la estabilidad mientras que el rendimiento de los agentes se degrada significativamente. El análisis de costes revela que Agentic RAG requiere entre 2 y 10 veces más tiempo de cálculo y tokens debido al razonamiento en varios pasos. La elección entre RAG Mejorado y Agente depende de tus limitaciones. El RAG mejorado ofrece predictibilidad, menores costes y estabilidad con modelos más débiles. El RAG agente proporciona flexibilidad pero requiere modelos más sólidos y más capacidad de cálculo. Papel: Aprende a construir sistemas Agentic RAG efectivos en nuestra academia: