La arquitectura de un agente que utiliza RAG Graph (Retrieval-Augmented Generation + Knowledge Graph) se construye para combinar entendimiento semántico estructurado (ontología + grafo) con la generación de lenguaje natural usando LLMs. Aquí tienes una explicación detallada:
Crear un agente capaz de leer documentos, construir una ontología estructurada en forma de grafo de conocimiento, y luego usarlo como fuente de recuperación semántica para responder preguntas o ejecutar tareas.
- Fuente de información (PDFs, artículos, reportes, wikis…)
- El contenido textual que alimentará al sistema
- Tareas clave:
- NER (Reconocimiento de Entidades)
- Relation Extraction
- Entity Linking
- Clasificación de tipos ontológicos
- Tecnologías posibles: spaCy, Transformers, LangChain, LLMs tipo GPT
- Se define un esquema de conocimiento: clases, relaciones, atributos
- Puede basarse en OWL o una estructura propia para Neo4j
- Se instancian los conceptos y relaciones en una base de datos de grafos, como:
- Neo4j, Blazegraph, AWS Neptune, etc.
- Cada nodo y relación se etiqueta y almacena como conocimiento estructurado
- El agente (LLM) usa el grafo como fuente de contexto (en lugar de o junto a vectores)
- El flujo es:
- Usuario hace una pregunta
- Se consulta el grafo para encontrar entidades y relaciones relevantes (con Cypher/SPARQL)
- Esa información se convierte en texto o contexto estructurado
- El LLM genera una respuesta final enriquecida
DOCUMENTOS → [Extracción semántica] → ONTOLOGÍA → [Neo4j] → GRAFO DE CONOCIMIENTO
↑ ↓
AGENTE RAG ← [Consulta + Contexto] ← PREGUNTA
| Fase | Herramientas posibles |
|---|---|
| NLP | spaCy, Hugging Face, LangChain |
| Ontología | Protégé, RDF/OWL, Graph Schema |
| Grafo | Neo4j, n10s plugin, Cypher |
| Agente | LangChain Agents, CrewAI, LangGraph |
| Interfaz | Streamlit, Chatbot, API |