{"product_id":"graphrag-agentico","title":"GraphRAG agéntico","description":"\u003ch1\u003eGraphRAG agéntico\u003c\/h1\u003e\u003ch2 class=\"subtitle\"\u003eIntegración de grafos de conocimiento, razonamiento y agencia para la IA empresarial\u003c\/h2\u003e\u003cp class=\"author\"\u003eAnthony Alcaraz, Sam Julien\u003c\/p\u003e\u003cdiv class=\"description\"\u003e\n\u003cp\u003eLa distancia entre una demostración de agente que se ve preciosa en una pantalla compartida y un sistema por el que firmarías un acuerdo de nivel de servicio es más ancha de lo que casi nadie calcula. \u003cstrong\u003eUn agente encadenado por prompts choca contra un muro\u003c\/strong\u003e en cuanto tiene que arrastrar estado a lo largo de una docena de pasos, reconciliar fuentes que se contradicen, o actuar dentro de un sistema donde la llamada equivocada a una API cuesta dinero real.\u003c\/p\u003e\n\u003cp\u003eLos autores escribieron este libro porque veían a ingenieros capaces estrellarse contra ese mismo muro y echar mano siempre de las mismas herramientas: más contexto, un modelo más grande, un prompt más largo, otro framework. \u003cstrong\u003eEl andamiaje crece y los fallos solo se mudan un piso más arriba.\u003c\/strong\u003e Su diagnóstico es que un agente no es un modelo envuelto en un prompt, sino un proceso que corre encima de un modelo — y que sus cinco fallos característicos (amnesia de contexto, ceguera a las relaciones, ignorancia temporal, parálisis de razonamiento y caos de herramientas) nacen todos del mismo sitio.\u003c\/p\u003e\n\u003cp\u003eLas arquitecturas de grafos rompen ese bucle, y no porque los grafos sean mágicos —el libro insiste en que no lo son— sino porque \u003cstrong\u003evuelven inspeccionables las dos cosas que los agentes equivocan más seguido: qué sabe el agente y qué está haciendo\u003c\/strong\u003e. En cuanto las ves como dos estructuras distintas en vez de como un amasijo de tokens pasando por una ventana, muchos problemas de fiabilidad se convierten en problemas de diseño de procesos. Y esos la ingeniería ya sabe resolverlos.\u003c\/p\u003e\n\u003cp\u003eDe ahí sale la propuesta central: la \u003cstrong\u003earquitectura de grafo doble\u003c\/strong\u003e, que empareja un grafo vertical de conocimiento con un grafo horizontal de flujo de trabajo, y encima los \u003cstrong\u003eocho pilares\u003c\/strong\u003e que la sostienen en producción — representación del conocimiento, memoria, razonamiento, planificación, orquestación de herramientas, salida estructurada, autoevolución y optimización. La literatura hasta ahora estaba repartida entre el giro de Google de «cadenas a cosas», el paper de GraphRAG de Microsoft, los patrones de Neo4j y la investigación reciente sobre planificadores; ninguna de esas piezas, por sí sola, es un plano que un equipo pueda tomar un lunes por la mañana. \u003cstrong\u003eEste libro es ese plano.\u003c\/strong\u003e\u003c\/p\u003e\n\u003cp\u003eY no se queda en el diagrama. Un mismo ejemplo atraviesa los ocho capítulos: \u003cstrong\u003eun agente autónomo de DevOps\u003c\/strong\u003e que empieza como un montón de herramientas de monitoreo desconectadas y termina anticipando caídas y corrigiéndose solo. Es un libro de quien practica: los dos primeros capítulos dan el modelo mental del campo, y del tercero en adelante está metido hasta el hombro en la implementación, con código en Python y repositorio oficial.\u003c\/p\u003e\n\u003c\/div\u003e\u003ch2 class=\"about_author_title\"\u003eAcerca del autor\u003c\/h2\u003e\u003cdiv class=\"about_author\"\u003e\n\u003cp\u003e\u003cstrong\u003eAnthony Alcaraz\u003c\/strong\u003e es \u003cstrong\u003eestratega principal de IA y aprendizaje automático en AWS\u003c\/strong\u003e, reconocido por su trabajo en ciencia de la decisión, grandes modelos de lenguaje, grafos de conocimiento y RAG. Escribe para una audiencia de más de \u003cstrong\u003e38.000 lectores en Medium\u003c\/strong\u003e, donde publica con regularidad sus análisis sobre IA y sistemas de conocimiento, y recientemente dio clase en \u003cstrong\u003eOxford\u003c\/strong\u003e sobre cómo integrar modelos de lenguaje con teoría de grafos para resolver problemas de negocio modernos.\u003c\/p\u003e\n\u003cp\u003e\u003cstrong\u003eSam Julien\u003c\/strong\u003e es líder de producto especializado en \u003cstrong\u003eplataformas de IA para desarrolladores\u003c\/strong\u003e. Es director de producto en \u003cstrong\u003eCopilotKit\u003c\/strong\u003e, donde trabaja en convertir la interacción entre agentes y usuarios en agentes que aprenden solos. Antes fue gerente de producto principal de la plataforma de TI y desarrolladores de \u003cstrong\u003eWRITER\u003c\/strong\u003e. Ha dado charlas en conferencias de todo el mundo, entre ellas The AI Conference y la AI Engineer World’s Fair.\u003c\/p\u003e\n\u003cp\u003eLos dos escriben desde los primeros años de la era agéntica del software, llevando sistemas a entornos donde lo que estaba en juego era más que una demostración. Este libro es el patrón que vieron repetirse ahí.\u003c\/p\u003e\n\u003c\/div\u003e\u003ch2 class=\"content_title\"\u003eLo que aprenderás\u003c\/h2\u003e\u003cdiv class=\"content\"\u003e\n\u003cp\u003e\u003cstrong\u003eParte I — Fundamentos (capítulos 1 y 2).\u003c\/strong\u003e Por qué el enfoque actual choca contra un muro, y cuál es la arquitectura que lo rodea.\u003c\/p\u003e\n\u003cul\u003e\n\u003cli\u003eQué es un agente de verdad: el \u003cstrong\u003eespectro flujo de trabajo–agente\u003c\/strong\u003e y el triángulo de restricciones que define hasta dónde puede llegar\u003c\/li\u003e\n\u003cli\u003eDónde acierta y dónde se rompe el \u003cstrong\u003eRAG vectorial\u003c\/strong\u003e, y por qué una ventana de contexto más grande no lo arregla\u003c\/li\u003e\n\u003cli\u003eLas \u003cstrong\u003ecinco grietas\u003c\/strong\u003e: amnesia de contexto, ceguera a las relaciones, ignorancia temporal, parálisis de razonamiento y caos de herramientas\u003c\/li\u003e\n\u003cli\u003eLa \u003cstrong\u003earquitectura de grafo doble\u003c\/strong\u003e: un grafo vertical con lo que el agente sabe y uno horizontal con lo que el agente hace — y dónde se encuentran los dos\u003c\/li\u003e\n\u003cli\u003eLos \u003cstrong\u003eocho pilares\u003c\/strong\u003e que sostienen la arquitectura en producción, y el agente autónomo de DevOps que los recorre todos\u003c\/li\u003e\n\u003c\/ul\u003e\n\u003cp\u003e\u003cstrong\u003eParte II — Preparación: el gemelo digital de tu pila tecnológica (capítulos 3 y 4).\u003c\/strong\u003e El cerebro y la memoria del agente.\u003c\/p\u003e\n\u003cul\u003e\n\u003cli\u003eModelos de datos de grafo y cómo evaluarlos: razonamiento formal, relaciones n-arias, rendimiento y \u003cstrong\u003emundo abierto frente a mundo cerrado\u003c\/strong\u003e para la seguridad del agente\u003c\/li\u003e\n\u003cli\u003eLa \u003cstrong\u003earquitectura de tres grafos\u003c\/strong\u003e —dominio, léxico y temático— y cuatro patrones de esquema listos para aplicar\u003c\/li\u003e\n\u003cli\u003e\n\u003cstrong\u003eConstruir o comprar\u003c\/strong\u003e un sistema GraphRAG, con los factores que de verdad deciden\u003c\/li\u003e\n\u003cli\u003eFusionar la ontología que tu organización ya tiene sin perder la cabeza, y \u003cstrong\u003eresolución de entidades basada en evidencia\u003c\/strong\u003e\n\u003c\/li\u003e\n\u003cli\u003eExtracción del grafo desde bases estructuradas, texto libre y sistemas multiagente\u003c\/li\u003e\n\u003cli\u003e\n\u003cstrong\u003eMemoria en grafo\u003c\/strong\u003e: episódica, semántica y procedimental, con conciencia temporal y sus cuatro operaciones — consolidar, indexar, actualizar y recuperar\u003c\/li\u003e\n\u003cli\u003eLos sistemas reales comparados: \u003cstrong\u003eLetta (MemGPT)\u003c\/strong\u003e, A-Mem, Graphiti, \u003cstrong\u003eCognee\u003c\/strong\u003e, \u003cstrong\u003eMem0\u003c\/strong\u003e y \u003cstrong\u003eZep\u003c\/strong\u003e\n\u003c\/li\u003e\n\u003c\/ul\u003e\n\u003cp\u003e\u003cstrong\u003eParte III — Acción: de apagar incendios a la anticipación (capítulos 5 y 6).\u003c\/strong\u003e Aquí el agente empieza a trabajar.\u003c\/p\u003e\n\u003cul\u003e\n\u003cli\u003eEl \u003cstrong\u003eefecto distractor\u003c\/strong\u003e y cómo lo frenan \u003cstrong\u003ePathRAG\u003c\/strong\u003e y \u003cstrong\u003eR3-RAG\u003c\/strong\u003e\n\u003c\/li\u003e\n\u003cli\u003ePensamiento intercalado y \u003cstrong\u003egeneración estructurada\u003c\/strong\u003e, que es lo que vuelve aburrido y confiable el traspaso entre un modelo probabilístico y una API determinista\u003c\/li\u003e\n\u003cli\u003eArquitecturas de pipeline —secuencial, bucle y árbol— y \u003cstrong\u003eorquestación dirigida por eventos\u003c\/strong\u003e para escalar\u003c\/li\u003e\n\u003cli\u003ePlanificación jerárquica, guiada por restricciones y \u003cstrong\u003econstrucción dinámica de DAG\u003c\/strong\u003e, con el debate multiagente para reconciliar lo que corre en paralelo\u003c\/li\u003e\n\u003cli\u003e\n\u003cstrong\u003eMCP\u003c\/strong\u003e a fondo: autenticación, agentes usados como herramientas y el patrón de puerta de enlace contra la \u003cstrong\u003einflación del prompt\u003c\/strong\u003e\n\u003c\/li\u003e\n\u003cli\u003eHerramientas como nodos del grafo, con dependencias, coincidencia de tipos y \u003cstrong\u003econtrol del flujo de información\u003c\/strong\u003e\n\u003c\/li\u003e\n\u003c\/ul\u003e\n\u003cp\u003e\u003cstrong\u003eParte IV — Producción: un sistema que se repara solo (capítulos 7 y 8).\u003c\/strong\u003e Lo que hace falta para confiarle trabajo de verdad.\u003c\/p\u003e\n\u003cul\u003e\n\u003cli\u003eEl \u003cstrong\u003egrafo de ejecución\u003c\/strong\u003e —la autobiografía del agente— y un marco de evaluación por capas para hacerle la autopsia cognitiva\u003c\/li\u003e\n\u003cli\u003e\n\u003cstrong\u003eRetropropagación semántica\u003c\/strong\u003e: mandar la corrección al nodo de razonamiento exacto que falló, en vez de reescribir el prompt entero\u003c\/li\u003e\n\u003cli\u003eEvolución segura en producción: validación graduada y autoaprendizaje persistente \u003cstrong\u003esin colapso por entropía\u003c\/strong\u003e\n\u003c\/li\u003e\n\u003cli\u003e\n\u003cstrong\u003eInteligencia selectiva\u003c\/strong\u003e: modelos pequeños y baratos para lo rutinario, los caros reservados para las decisiones que pesan\u003c\/li\u003e\n\u003cli\u003eGobernanza de datos: control de acceso \u003cstrong\u003epor subgrafo\u003c\/strong\u003e, datos personales, retención y el grafo de ejecución como artefacto de cumplimiento\u003c\/li\u003e\n\u003cli\u003eEvolución del esquema, actualizaciones incrementales y \u003cstrong\u003eaceleración por GPU\u003c\/strong\u003e para que recorrer el grafo sea viable en tiempo real\u003c\/li\u003e\n\u003c\/ul\u003e\n\u003c\/div\u003e","brand":"Biblioteca de Alejandría","offers":[{"title":"Default Title","offer_id":44756576862250,"sku":null,"price":296.74,"currency_code":"MXN","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/0648\/3489\/5914\/files\/1787849314554-Vitrina---GraphRAG-agentico.png?v=1787849395","url":"https:\/\/alejandriav5.org\/products\/graphrag-agentico","provider":"Libros de Alejandría 5.0","version":"1.0","type":"link"}