El RAG clásico —buscas en una base vectorial, le pegas el resultado al prompt y esperas que el modelo conteste bien— ya no alcanza para casos reales de producción. Desde que LangGraph llegó a su versión 1.0 estable y ya va por la 1.0.10 este octubre, la forma seria de construir RAG en 2026 es agéntica: el sistema decide por sí solo cuándo buscar más, cuándo reformular la pregunta y cuándo ya tiene suficiente para responder.
Por qué el RAG de un solo paso se queda corto
Un RAG clásico hace exactamente un paso: busca, arma un contexto y genera. Si la pregunta del usuario es ambigua, si el primer resultado de la búsqueda no sirve o si hace falta cruzar dos fuentes distintas, el sistema simplemente falla: contesta con lo que encontró, esté bien o mal. En producción eso se nota rápido. Soporte técnico, búsqueda legal, análisis financiero: todos tienen preguntas que necesitan dos o tres vueltas antes de llegar a una respuesta útil, y un pipeline de un solo paso no da para eso.
Qué cambia con el enfoque agéntico
La diferencia de un RAG agéntico es que el flujo de recuperación deja de ser lineal y se vuelve un grafo: el modelo evalúa si los documentos que encontró sirven, si no sirven reformula la búsqueda, y recién genera la respuesta cuando el contexto es bueno. No es magia, es control de flujo explícito: un nodo decide "sigo buscando" o "ya puedo responder", igual que lo haría una persona revisando resultados de búsqueda antes de armar un informe.
Cómo se arma esto con LangGraph
LangGraph modela cada paso como un nodo dentro de un grafo de estados. El runtime distribuido que llegó con la versión 1.0 además permite repartir estos nodos entre varios procesos sin perder el estado del grafo, algo útil si tu RAG tiene que consultar más de una fuente de datos al mismo tiempo (por ejemplo, Notion y una base vectorial propia).
- ▸Nodo de recuperación: busca en la base vectorial o en la fuente que corresponda.
- ▸Nodo de calificación: evalúa si los documentos recuperados sirven para responder (relevante / no relevante).
- ▸Nodo de reescritura: si la calificación fue mala, reformula la pregunta y vuelve al nodo de recuperación.
- ▸Nodo de generación: arma la respuesta final solo cuando el contexto ya es bueno.
Lo que nadie te cuenta antes de construir esto: un grafo de RAG agéntico con 4 o 5 nodos puede costar entre 3 y 5 veces más tokens que un RAG clásico de un solo paso, porque el modelo se llama a sí mismo varias veces por cada pregunta. Si tu caso de uso es responder FAQs simples, no lo necesitas: estarías resolviendo un problema que no tienes.
Cuándo sí vale la pena
El RAG agéntico tiene sentido cuando la pregunta real rara vez se resuelve con una sola búsqueda: soporte técnico de un producto complejo donde la respuesta depende de la versión y la configuración del cliente, análisis de contratos donde hay que cruzar cláusulas de varios documentos, o research interno sobre documentación dispersa entre Notion, Google Drive y Slack. En esos casos, pagar más tokens por una respuesta correcta sale más barato que el tiempo de alguien corrigiendo a mano una respuesta a medias.
Cómo aprender a construir esto
En DataPath enseñamos esto en el curso de Creación de Agentes con LangGraph, donde armamos un grafo de RAG agéntico de principio a fin. Si nunca construiste un RAG clásico, el curso de ChatGPT: Entrena tu Chatbot con tus datos es el punto de partida: ahí ves el caso de un solo paso antes de complicarlo con un grafo. Y si tu meta es dedicarte en serio a construir agentes de producción —no solo este curso suelto, sino todo el camino—, la ruta AI Agentic Engineer es el recorrido completo.
Si ya tienes un RAG clásico funcionando y quieres ver cómo otros lo están llevando a un grafo agéntico, cada semana hay un taller en vivo en la Comunidad AI Builders, y arranca desde 19 USD al mes.
Empieza por el curso de LangGraph si ya programas en Python, o revisa la ruta AI Agentic Engineer completa si quieres el camino de carrera entero.
