Este artículo presenta una arquitectura integral para un sistema RAG multiagente que va más allá de la generación aumentada por recuperación básica. El sistema cuenta con múltiples agentes especializados que se coordinan para manejar consultas complejas, con un módulo de evaluación integrado que evalúa la calidad de las respuestas. Una innovación clave es el mecanismo de retroalimentación humana en el bucle, donde revisores humanos pueden proporcionar comentarios sobre las salidas de los agentes, que luego se utilizan para refinar automáticamente los prompts y mejorar las respuestas futuras. La arquitectura incluye componentes para la orquestación de agentes, la gestión del contexto y un bucle de retroalimentación que cierra la brecha entre las salidas del sistema y las expectativas del usuario. Para los equipos de ingeniería, esto proporciona un plan práctico para construir sistemas RAG que puedan mejorar continuamente sin ingeniería manual de prompts. El marco de evaluación cubre métricas como relevancia, precisión y completitud, lo que lo hace adecuado para implementaciones en producción donde el aseguramiento de la calidad es crítico.
Una arquitectura detallada para un sistema RAG multiagente con auto-mejora mediante evaluación y retroalimentación humana en el bucle.