RAG Agent

RAG Agent responde preguntas usando la información de tu base de conocimiento. Busca en los documentos que le conectes, se queda con los que de verdad tienen que ver con la pregunta, redacta la respuesta citando de dónde sale cada dato ([1], [2]… y al final las Fuentes con el nombre del archivo y la página) y comprueba que se apoya en esos documentos y que contesta a lo que se preguntó. Si no encuentra documentos útiles, busca una vez más con otras palabras y, si sigue sin encontrarlos, le dice al usuario, en el idioma de su pregunta, que no tiene esa información, sin inventar una respuesta.

Usa 4 llamadas al modelo por pregunta con la configuración por defecto. En la prueba de 40 preguntas acertó entre 23 y 25 de las 36 preguntas con respuesta (27–28 con Metadata Schema) y dijo «no lo sé» en las 4 que no la tenían.

Cuándo usarlo

Un asistente que responde preguntas sobre manuales, políticas internas o fichas de producto.
Un servicio de atención al cliente que contesta a partir de las preguntas frecuentes y la documentación de la empresa.
Darle a otro agente la capacidad de consultar tu base de conocimiento, conectándolo como herramienta.

Configuración

Conexión	Qué conectar
Retrievers (obligatorio)	Uno o varios buscadores sobre tus documentos, por ejemplo la salida Retriever de FAISS, PGVector o Qdrant, o la de Local Rerank. Sin buscadores conectados, el agente no responde.
Model (obligatorio)	El modelo de IA que evalúa los documentos y redacta la respuesta.
Web Search Tool	Opcional, solo con Enable Web Search Fallback: un buscador web, como Brave Search API Tool, que el agente usa como respaldo cuando tus documentos no bastan.

Campo	Qué hace
Question	La pregunta que debe responder, normalmente desde Chat Input.
Agent Name	Nombre del agente. Por defecto: RAGAgent.
Agent Description	Qué hace el agente. Útil cuando lo usa otro agente.
Additional Instructions	Instrucciones que sigue al responder: el tono, en nombre de quién habla (empresa, producto) o qué decir cuando la documentación no tiene la respuesta, por ejemplo “invita a escribir a soporte@tuempresa.com”.

Opciones avanzadas

Campo	Qué hace
Show Sources	Cita en la respuesta el documento de cada dato (`[1]`, `[2]`…) y añade al final las Fuentes con el nombre del archivo o el título y la página, en el idioma de la pregunta. Por defecto: activado.
Stream	Muestra la respuesta a medida que se genera. Solo se ve la respuesta; las fuentes llegan al terminar. Por defecto: desactivado.
JSON Structured Output	Devuelve la respuesta en formato JSON, con el texto de la respuesta, la fecha, los documentos usados con su nombre y el resultado de las comprobaciones. Por defecto: desactivado.
Metadata Schema	Describe los datos que acompañan a tus documentos (por ejemplo, marca, categoría o fecha) para que el agente filtre la búsqueda con ellos cuando la pregunta los menciona. Usa el mismo formato que Metadata Tagger: una lista JSON con `name`, `type` y `description` de cada dato, por ejemplo `[{"name": "categoria", "type": "string", "description": "Tema: envios, garantia, pagos"}]`. Indica en la descripción los valores posibles. Si el filtro no encuentra nada, busca sin él.
Use Memory	Guarda la conversación para que el agente tenga en cuenta los mensajes anteriores: entiende preguntas de seguimiento como “¿y cuánto cuesta?” después de preguntar por un envío. Por defecto: desactivado.
Enable Hallucination Check	Comprueba que cada dato de la respuesta está en los documentos; si no, busca otra vez. Comparte una llamada con la siguiente comprobación. Por defecto: activado.
Enable Answer Quality Check	Comprueba que la respuesta contesta de verdad a la pregunta; si no, busca otra vez. Por defecto: activado.
Enable Document Relevance Grading	Puntúa en una sola llamada los documentos encontrados y descarta los que no sirven. Es lo que permite decir «no lo sé» en lugar de adivinar. Por defecto: activado.
Enable Web Search Fallback	Si no hay documentos útiles, busca en internet con el buscador conectado en Web Search Tool. Sin un buscador conectado no hace nada. Por defecto: desactivado.

Uso como herramienta de un agente

Puedes conectar este componente a la entrada Tools de un agente. En la pestaña Tool, Tool Name y Tool Description son el nombre y la explicación con los que el agente reconoce la herramienta y decide cuándo usarla. Por defecto se llaman search_information y “Search information from user request”. Cuando funciona como herramienta, la respuesta siempre se entrega en formato JSON con sus fuentes.

Resultado

Response: la respuesta a la pregunta como mensaje. Conéctala a Chat Output o a cualquier componente que reciba texto.
Agent: el agente configurado, para que otro agente delegue en él.

Ejemplo

La aseguradora Hogar Seguro quiere que su equipo de atención consulte las condiciones de sus pólizas:

Carga las condiciones generales en un almacén PGVector y conecta su salida Retriever a Retrievers.
Conecta un modelo de IA a Model y Chat Input a Question.
Deja desactivado Enable Web Search Fallback: solo quieren respuestas basadas en sus propias pólizas. En Additional Instructions escriben: “Habla en nombre de Hogar Seguro y, si las condiciones no lo dicen, recomienda llamar al 900 000 000”.
Conecta Response a Chat Output.

Cuando un agente pregunta “¿La póliza básica cubre los daños por agua?”, el asistente responde con lo que dicen las condiciones y termina con «Fuentes: [1] condiciones-generales.pdf, p. 12». Si después pregunta “¿y en la póliza completa?”, con Use Memory activado entiende que sigue hablando de daños por agua.

Buenas prácticas

Activa la búsqueda web solo si conectas un buscador en Web Search Tool y aceptas respuestas que no salen de tu documentación.
Las comprobaciones cuestan una sola llamada (menos de un segundo). En la prueba no cambiaron el resultado con un modelo grande; déjalas activadas con modelos pequeños o cuando una respuesta equivocada sale cara.
Si tus documentos llevan marca, producto o fecha, rellena Metadata Schema: fue la mejora más grande en la prueba.
Empieza con 4 a 8 resultados por buscador (Number of Results de la base vectorial).
Para preguntas de recuentos o relaciones repartidas por muchos documentos («¿cuántas incidencias tiene…?»), usa un grafo o una base de datos: el agente busca una vez y ve solo los primeros resultados.
Para que los primeros resultados sean los buenos, conecta en Retrievers la salida Retriever de Local Rerank en lugar de la base vectorial directamente.

Vídeo

Este vídeo monta un RAG Agent sobre la documentación de un servicio técnico de cafeteras y le hace una pregunta, una de seguimiento y una que la documentación no responde.

Lo que ves en el vídeo:

Qdrant en modo Retriever, con 5 resultados, conectado a Retrievers del RAG Agent.
Las opciones: Additional Instructions, Metadata Schema con marca, tipo, mes y codigos, las tres comprobaciones (Enable Document Relevance Grading, Enable Hallucination Check y Enable Answer Quality Check), Show Sources y Use Memory.
«¿Qué significa el error E07 en la cafetera Vellani Aurora?»: caudalímetro bloqueado, pieza VL-1180 [1] y un caso real [2], con «Fuentes: [1] manual-vellani-aurora.pdf · [2] informe-incidencias-2026-07.pdf».
«¿Y cuánto tarda en llegar esa pieza?»: con la memoria entiende que habla de la VL-1180 y responde que de cinco a siete días laborables.
«¿Cuál es el horario de la tienda que tenéis en Málaga?»: «No encuentro esa información…».
Cada pregunta usa unas cuatro llamadas al modelo y tarda unos cinco segundos.

Componentes relacionados

RetrieverTool: convierte una búsqueda en tu base de conocimiento en una herramienta para cualquier agente.
Agent: el agente principal de NappAI.
Local Rerank: reordena los resultados antes de que lleguen al agente.

Para ver cuándo usar este agente y cuándo un Agent con herramientas de búsqueda, consulta El agente de RAG en la guía de RAG.