En el ecosistema de IA productiva, los agentes de búsqueda suelen fallar cuando la recuperación de información es parcial, los reintentos se vuelven infinitos o los costos superan los límites presupuestados. TinyFish, la startup que provee infraestructura web para agentes inteligentes, acaba de publicar dos documentos técnicos que pretenden cerrar esa brecha entre la demo y la producción.
Arquitectura de búsqueda agentica: el nuevo estándar
La primera guía define una arquitectura de búsqueda agentica basada en cuatro primitivas web – TinySearch, TinyFetch, TinyBrowser y TinyAgent – y un bucle de control de siete fases que rodea al modelo base. Cada fase (definir la tarea, planificar la recuperación, escoger la ruta, descubrir‑seleccionar‑recuperar, evaluar, recuperar/escalar y validar) está diseñada para que la aplicación gestione el estado, las políticas de tiempo y costo, y la validación de la salida, mientras el modelo se limita a razonar.
Flujo de trabajo paso a paso
El proceso se desglosa así:
- Definir la tarea: se traduce el objetivo en un “contrato de evidencia” que especifica campos requeridos, fuentes, frescura y reglas de finalización.
- Planificar la recuperación: se separan necesidades independientes de dependientes, evitando consultas prematuras.
- Escoger la primera ruta: se elige la herramienta adecuada (search, fetch o browser) según la información que aún falta.
- Descubrir‑seleccionar‑recuperar: los resultados de búsqueda se tratan como candidatos hasta que se descarga el contenido de la página.
- Evaluar: se etiqueta la evidencia como suficiente, incompleta, conflictiva, inaccesible o agotada por presupuesto.
- Recuperar o escalar: se reformula la consulta, se cambia de fuente o se modifica el método de acceso.
- Validar: se devuelve el estado final (completado, incompleto, fallido, cancelado o revisión humana).
Este enfoque permite que el agente recupere información de forma iterativa, evitando el clásico “lost‑in‑retrieval” que afecta a muchos sistemas RAG.
Lecciones de la construcción de un agente de investigación profunda
La segunda guía expone los aprendizajes obtenidos al crear un agente que genera informes citados y exhaustivos. Tres lecciones clave emergen:
- Eliminar el planificador externo: integrar la planificación dentro del bucle de razonamiento unificado evita desviaciones y reduce la latencia.
- Suprimir sub‑agentes: reemplazar sub‑agentes por llamadas directas a herramientas (ranking, clasificación, extracción) disminuye el overhead de cambio de contexto y el costo de tokens.
- Alinear la selección de fuentes con el objetivo de investigación: priorizar la relevancia y la confianza de la evidencia, en lugar de un único puntaje de calidad, mejora la utilidad del informe final.
Además, TinyFish introduce un presupuesto de tarea completo que engloba latencia y costo total (tokens, llamadas a herramientas, uso de navegadores y reintentos). En pruebas de OpenBenchmarks, la solución de TinyFish alcanzó un 79 % de tasa de completación en tareas de codificación, con un costo medio por tarea de solo 0,05 USD y el menor número de tokens consumidos entre los competidores.
Comparativa con otras plataformas
En el mismo benchmark, Perplexity, Firecrawl y Exa Fast superaron a TinyFish en la modalidad “solo búsqueda”, pero su arquitectura no incluye la fase de fetch y evaluación conjunta, lo que hace que la comparación directa sea parcial. Cuando se mide el flujo completo (búsqueda + fetch), TinyFish lidera en costo y velocidad, logrando hasta 3,4× más rendimiento y 5× menos latencia que los baselines.
En síntesis, la propuesta de TinyFish muestra que el control total del ciclo de vida del agente, la gestión basada en brechas de información y la consolidación de planificación y ejecución en un único bucle de razonamiento son los pilares para escalar agentes de IA a entornos productivos sin sacrificar precisión ni presupuesto.
Enlaces útiles