RAG

Compare the Market publicó el 6 de marzo de 2026, a través de su equipo de ingeniería, una evaluación de cuatro enfoques de recuperación de contexto para la revisión de código con IA, realizada sobre 79 solicitudes de fusión (merge requests) reales y medida con MLflow en Databricks. El «RAG», que fragmenta el código, lo convierte en embeddings y recupera por similitud semántica, obtuvo peores resultados que la línea base sin contexto en casi todas las métricas, con un coste tres veces mayor. El «GKG», el GitLab Knowledge Graph construido sobre árboles de sintaxis abstracta (AST) de Tree-sitter, lo superó en un 21 por ciento en cobertura de comentarios en línea, 0,696 frente a 0,577. La explicación del equipo es estructural: revisar código exige saber quién llama a una función, y la similitud vectorial devuelve código que simplemente se parece. De ahí el ruido, los falsos positivos, la ceguera a las relaciones entre archivos y la distracción del modelo.

Un artículo de octubre de 2025 defiende una tesis distinta. El «RAG» existía para sortear ventanas de contexto pequeñas; estas pasaron de 8K tokens a cifras del orden de millones, y cinco costes ya no compran nada: la fragmentación pierde significado, los embeddings pasan por alto la riqueza semántica, la búsqueda híbrida añade complejidad, el reranking añade latencia, y la infraestructura exige mantenimiento. «Claude Code» se cita como la alternativa: búsqueda directa y rica en contexto, sin maquinaria de recuperación. El veredicto allí es que el «RAG» fue un desvío temporal.

Leonie Monigatti traza un linaje. El «RAG» convencional (vanilla RAG) preguntaba cómo recuperar; el «Agentic RAG» pregunta si recuperar; y la memoria del agente (Agent Memory) añade una vía de escritura. Ashish Singh contrapone el «RAG» a un Enterprise Knowledge Fabric de grafos de conocimiento y búsqueda híbrida. Qué lo sustituirá sigue siendo objeto de debate.