RAG vs Method Indexing: por qué RAG quedó viejo

RAG (Retrieval-Augmented Generation) recupera chunks de texto relevantes y los inserta en el prompt para que el LLM genere una respuesta. Method Indexing recupera métodos ejecutables y los corre, devolviendo resultados determinísticos. RAG funciona para chatbots de FAQ pero falla en agentes ejecutivos que necesitan acción real. NexoSmart NO usa RAG: usa method indexing, el mismo método que Claude usa internamente, sobre Qwen open source.

RAG vs Method Indexing: comparación completa

¿Por qué RAG quedó viejo en agentes?

Tres razones: (1) alucina porque genera texto a partir de chunks parcialmente relevantes; (2) no es auditable, el output cambia run-to-run; (3) no ejecuta acciones, solo responde. Para un chatbot FAQ alcanza, pero para un agente que carga facturas o concilia bancos es inútil.

¿Por qué Method Indexing es superior?

Indexa funciones versionadas, plantillas de prompts y secuencias de acciones. El agente recupera la función correcta y la ejecuta como código. Output determinístico, auditable y sin alucinación. Si no hay método para la tarea, falla limpio en vez de inventar.

• •Determinismo: ejecuta código, no genera texto libre
• •Auditable: cada acción trazada por método
• •Sin alucinación: si no hay método, falla limpio
• •Versionable en Git como cualquier código
• •Componible: métodos llaman a otros métodos

¿NexoSmart no usa RAG nunca?

Para razonamiento agentic no, nunca. Para búsqueda documental complementaria sí (con embeddings + pgvector). La regla: RAG para FIND, method indexing para DO. El agente NexoSmart es DO-first.

¿Es lo mismo que usa Claude?

Sí. Anthropic construyó Claude con tool use y skill indexing nativos: cada habilidad es una función indexada que el modelo invoca con argumentos tipados. NexoSmart replica ese patrón sobre Qwen open source para evitar lock-in y cumplir GDPR de fábrica.

Temas relacionados