Un estudio publicado el 21 de octubre de 2026 en PLOS One registró hasta 186 llamadas de búsqueda para responder una sola pregunta con un agente de IA. El máximo procede de pruebas controladas y muestra cuánto puede alargarse una cadena de consultas.
La generación aumentada por recuperación (RAG) permite que un modelo consulte documentos externos. Con agentes, el sistema decide cuándo volver a buscar y reformula consultas según los resultados que encuentra.
Francesca Pezzuti y sus coautores analizaron cerca de un millón de secuencias en ASQ, con tres colecciones documentales, cinco variantes de agentes y seis configuraciones de recuperación. Detectaron consultas repetidas y diferencias entre configuraciones. Extrapolar estos comportamientos experimentales a servicios comerciales exige datos de uso real.
Otros tres trabajos difundidos en arXiv ese mismo día estudian dónde aparecen las pérdidas y proponen cambios en la forma de buscar o conservar evidencia.
Recuperar buenos documentos y sustentar una respuesta son objetivos distintos
LASAGNA comparó 450 configuraciones de RAG en ocho bancos de pruebas, con colecciones de 5,000 a 200,000 documentos. En una combinación, las mejoras individuales de tres técnicas hacían prever un aumento de 46.6 % en NDCG@10, que valora los diez primeros resultados por relevancia y posición. Al reunirlas, la mejora fue de 17.2 %, frente a la misma configuración de referencia.
También midió la fidelidad, el respaldo documental de las afirmaciones generadas. Las decisiones que mejoraron la recuperación podían perjudicar esa fidelidad. Esto distingue encontrar material relevante de usarlo bien; la veracidad de las fuentes requiere una comprobación adicional.
Al ampliar la colección cambió la combinación ganadora. Las comparaciones principales usan una base construida en inglés y hasta 200 preguntas de generación por experimento.
Dos diseños para conservar el rumbo y el contexto
MAPS, desarrollado por investigadores de las universidades Northeastern, en Shenyang, y Tsinghua, aborda la tendencia a seguir una dirección de búsqueda que se aleja de la pregunta inicial. El trabajo analiza cómo las consultas anteriores condicionan las siguientes.
El método conserva la evidencia recuperada y una versión depurada del estado de razonamiento. A partir de ella genera consultas complementarias en paralelo y reúne sus resultados antes de continuar. El equipo reporta mejores puntuaciones que los métodos comparados en seis pruebas de preguntas y respuestas, con dos modelos de Qwen. Utilizó 1,000 preguntas por conjunto, salvo GPQA Diamond, con 198.
ThreadRAG organiza fragmentos que conservan su contexto en una red de relaciones narrativas, semánticas y léxicas. Después selecciona las rutas relevantes y recompone la evidencia como texto continuo para el modelo.
En HotpotQA, con Qwen3.5 plus, obtuvo 58.6 % de coincidencia exacta de respuestas frente a 44.2 % de IRCoT: 14.4 puntos porcentuales de diferencia. Esta métrica compara la respuesta con una referencia tras normalizar el texto.
En MuSiQue, su consumo total de tokens, las unidades de texto que procesan los modelos, equivalió al 23.3 % del registrado por KnowTrace en una muestra de 100 consultas. El cálculo incluye construir los grafos y ejecutar las respuestas, de modo que parte de la ventaja procede del costo inicial del competidor.
El artículo de ASQ pasó revisión por pares en PLOS One. MAPS y LASAGNA se presentan como preprints; la ficha de ThreadRAG declara su aceptación en Findings de EMNLP 2026. Sus resultados corresponden a los bancos de pruebas y configuraciones evaluados.
LASAGNA deja disponible su marco de evaluación para repetir estas comparaciones con otras configuraciones y colecciones documentales.
