RAG en 2026: vector stores vs graph retrieval
Los enfoques híbridos que sí funcionan en producción.
La búsqueda vectorial pura fue el estándar del 2023-2024. En 2026, los sistemas RAG que sobreviven en producción son casi todos híbridos. Esto es lo que aprendí construyéndolos.
Dónde falla el vector puro
La similitud semántica no entiende relaciones. “¿Qué trámites dependen del certificado X?” devuelve chunks que mencionan certificados, no la cadena de dependencias real. Los embeddings comprimen significado, no estructura.
Dónde falla el graph puro
Construir el grafo. Extraer entidades y relaciones de documentos desordenados con un LLM es caro, lento y propenso a alucinaciones que envenenan el grafo silenciosamente. Un grafo incorrecto es peor que no tener grafo: responde con confianza cosas falsas.
El híbrido que funciona
- Retrieval vectorial como primera pasada — barato y con buen recall.
- BM25 en paralelo para términos exactos (códigos, nombres propios, siglas) que los embeddings destrozan.
- Reranker (cross-encoder) sobre la unión de ambos.
- Grafo solo para el subconjunto del dominio donde las relaciones son críticas y estructuradas de origen — no lo extraigas todo, modela lo que ya es relacional.
La métrica que nadie mide
Recall del retrieval evaluado por separado de la generación. Si el chunk correcto no llega al contexto, el mejor modelo del mundo alucina. Evalúa retrieval primero, generación después — en ese orden.