OPTIMIZACIÓN DE RECURSOS Y RESILIENCIA COGNITIVA EN AGENTES AUTÓNOMOS VÍA PARADIGMA ACTION-RAG

Resumen

La escalabilidad de los modelos de inteligencia artificial autónomos se ve restringida actualmente por la volatilidad de las API y la saturación de la ventana de atención del Transformer, donde la inyección exhaustiva de herramientas provoca el fenómeno “Lost in the Middle”. Este artículo introduce el paradigma Action-RAG, el cual se basa en metodologías Retrieval-Augmented Generation (RAG) y se diferencia por su gestión dinámica de capacidades. El método propuesto utiliza el protocolo MCP para transicionar de una inyección pasiva a un estado de activación interactiva, con la finalidad de optimizar el cost per token durante la búsqueda de herramientas de acción. Validada mediante pruebas experimentales en los corpora ToolBench y Gorilla APIBench (N = 14.297), la arquitectura demostró superar a metodologías como Passive-RAG en hasta 10,6 puntos porcentuales en Hit Rate, exhibiendo además una eficiencia un 31% superior en comparación con SemanticKernel.