Resumen: Los sistemas de recuperación-generación aumentada (RAG) a menudo enfrentan limitaciones en dominios especializados como fintech, donde las ontologías específicas del dominio, la terminología densa y los acrónimos complican la recuperación y síntesis efectivas. Este artículo presenta una arquitectura RAG agente diseñada para abordar estos desafíos a través de una tubería modular de agentes especializados. El sistema propuesto admite la reformulación inteligente de consultas, la descomposición iterativa de subconsultas guiada por la extracción de frases clave, la resolución de acrónimos contextuales y la reclasificación de contexto basada en codificadores cruzados. Evaluamos nuestro enfoque frente a una línea de base estándar de RAG utilizando un conjunto de datos seleccionados de 85 triples de preguntas, respuestas y referencias derivados de una base de conocimiento empresarial de tecnología financiera. Los resultados experimentales demuestran que el sistema RAG agente supera a la línea de base en precisión y relevancia de recuperación, aunque con mayor latencia. Estos hallazgos sugieren que las metodologías estructuradas de múltiples agentes ofrecen una dirección prometedora para mejorar la solidez de la recuperación en entornos complejos y de dominios específicos.
Publicado originalmente en export.arxiv.org el 29 de octubre de 2025.
Ver fuente original
