De mapas a agentes: cuando el grafo empieza a hablar
Construyendo un agente que interroga redes de conocimiento
¿Un grafo puede responder preguntas como si fuera un espía bien entrenado? Si no me crees, quédate conmigo y averígualo en este blog.
En toda operación encubierta no basta con tener los planos de la ciudad. Un mapa te muestra calles y límites, pero no te dice qué pasará cuando dobles la esquina. Para eso necesitas un agente: alguien que se mueva, consulte informantes y traduzca la complejidad del terreno en acciones concretas.
Ese es el rol de nuestro agente: una interfaz viva entre el grafo semántico y nosotros, capaz de recorrer la red de conocimiento que construimos y devolver respuestas que no son inventadas, sino que emergen de esta red.
El agente en acción
En el post anterior (Graph Mind: de fragmentos a conocimiento) convertimos el manual de la CIA en una red estructurada. Ahora añadimos una pieza más: un agente que usa diiferentes herramientas para organizar la operacion de recoleccion de informacion.
De un lado está el evaluador, que formula la pregunta y calibra la dirección de la búsqueda. Del otro, la base de conocimiento, un grafo almacenado en Neo4j que conserva entidades, acciones y sus relaciones. En medio, el verdadero protagonista: el agente, que decide cómo moverse entre ambos mundos.
El flujo se parece a una operación encubierta:
El evaluador lanza la pregunta.
El agente consulta sus opciones: ¿usar búsqueda semántica híbrida, ejecutar un query en Cypher o apoyarse en keywords?
La base responde con nodos, caminos y fragmentos.
El agente devuelve la respuesta en lenguaje natural, pero anclada en esas evidencias.
Lo que la imagen sugiere es un circuito de inteligencia: no un modelo que responde “porque sí”, sino un espía digital que rastrea fuentes, conecta piezas y vuelve con un reporte verificable.
¿Por qué agentic graphrag?
En el mundo del espionaje, un manual por sí solo no sirve de mucho: lo valioso es el agente que interpreta cada página, decide qué táctica aplicar y cuándo hacerlo. Con nuestro sistema pasa lo mismo.
Agentic significa que el agente no ejecuta ciegamente una consulta. Toma decisiones, como un espía que elige si infiltrar, interceptar o esperar. Según la pregunta, selecciona la herramienta más efectiva: búsqueda semántica híbrida, Cypher o keywords.
GraphRAG (Graph Retrieval Augmented Generation) indica que la recuperación de información no se limita al texto plano, sino que se apoya en el grafo semántico. Así preservamos las relaciones entre conceptos: quién conecta con quién, qué acción une a qué entidad.
La diferencia es clave. No preguntamos solo “¿qué dice el documento?”, sino “¿cómo se relacionan estas entidades dentro del documento?”.
Un ejemplo:
Si pedimos “¿qué objetos se usaban como contenedores encubiertos?”, el agente puede rastrear nodos como pencil, pill o container, y mostrarnos cómo aparecen conectados a técnicas de engaño específicas. La respuesta no es un resumen suelto, sino un reporte fundamentado en la arquitectura del grafo.
En otras palabras, el agente no es un buscador, es un operador de campo que interroga la red de conocimiento y devuelve inteligencia accionable.
Un caso real: la aguja en el dólar
Imagina que lanzamos la pregunta:
“What was the purpose of the poison pin issued to U-2 pilot Francis Gary Powers?”
Aquí es donde nuestro agente entra en acción.
Paso 1: El evaluador formula la pregunta.
Paso 2: El agente decide que la mejor herramienta es una consulta factual en Cypher, ya que involucra entidades específicas (Powers, poison pin).
Paso 3: La base de conocimiento devuelve los nodos y fragmentos vinculados al caso.
El resultado no es un invento ni un resumen genérico:
El poison pin entregado al piloto del U-2, Francis Gary Powers, tenía un propósito claro: servir como medio de suicidio en caso de ser capturado. El dispositivo estaba oculto en una moneda de plata modificada y contenía una aguja impregnada con toxina de mariscos, capaz de provocar parálisis y muerte en cuestión de segundos.
El agente nos muestra además las piezas que conectan la historia:
Entidad 1: CIA Technical Services Staff.
Entidad 2: Francis Gary Powers.
Objeto: moneda-concealment con aguja envenenada.
Acción: issued to / used as suicide device.
La narrativa resultante es clara: la CIA entregó la aguja como herramienta de último recurso, Powers la portaba en su misión sobre la URSS, y tras ser derribado, la descartó. El KGB la recuperó y la usó como prueba en su juicio por espionaje.
Lo importante es que la respuesta está anclada en la red de conocimiento: entidades, acciones y documentos que sostienen la explicación. No es un relato inventado, sino el informe de un espía digital que cruzó conexiones y volvió con evidencia.
RAGAS: Entrenamiento de campo
Un buen agente no se mide solo por su primera misión, sino por cómo aprende de cada operación. Nuestro agentic graphrag funciona igual: no basta con que responda, necesitamos verificar si lo hace con precisión y fidelidad.
Para eso usamos RAGAS. Cada vez que el agente entrega un reporte, RAGAS nos ayuda a revisar tres aspectos esenciales:
¿Es fiel? ¿La respuesta está realmente basada en los fragmentos del grafo, o improvisa como un novato bajo presión?
¿Es precisa? ¿Los detalles coinciden con la evidencia, o se pierde en conjeturas?
¿Es completa? ¿Incluye lo fundamental, o deja piezas fuera del informe?
Con cada iteración el agente mejora: ajusta su forma de buscar, refina qué fragmentos usa y devuelve respuestas más sólidas. Es como pulir a un espía: al principio comete errores de interpretación, pero con entrenamiento aprende a distinguir entre ruido y señales reales.
Los resultados actuales reflejan ese progreso:
-------------------------
p10 p25 p50 p75 p90
puntaje_recuperación 0.00 1.00 1.00 1.00 1.0
puntaje_generación 0.72 0.89 0.97 0.99 1.0
calidad_general 0.29 0.43 0.56 0.70 0.9
-------------------------
Promedios:
puntaje_recuperación: 0.80
puntaje_generación: 0.90
calidad_general: 0.57Lo que nos dice esta tabla es claro: la recuperación de información alcanza un promedio alto (0.80), la generación se comporta de manera consistente y robusta (0.90), y la calidad general todavía tiene espacio de mejora (0.57), reflejando que la fidelidad y la cobertura son retos más difíciles que la pura precisión de generación.
En conclusión, RAGAS se convierte en nuestro polígrafo digital: el instrumento que garantiza que lo que el agente nos trae no es solo convincente, sino también verdadero.
Conclusión
Hemos pasado de construir un mapa semántico a desplegar un agente capaz de recorrerlo, interrogarlo y devolver inteligencia accionable. Ya no hablamos de un documento desclasificado convertido en grafo, sino de un espía digital que se mueve dentro de esa red y nos traduce sus conexiones en respuestas claras.
Pero el ciclo aún no se completa. La operación sigue en marcha y habrá un tercer post. Por ahora, su contenido permanece clasificado.
Clave parcial 2/3: (51.487263° N, -0.124323° W)
Una segunda coordenada para empezar a trazar el camino.