Orquestación agentizada de inferencia contextual basada en RAG para ecosistemas digitales multidependientes

Abstract

La inferencia contextual en ecosistemas IoT multidependientes requiere integrar información heterogénea bajo condiciones de disponibilidad variable de los servicios inteligentes. Aunque los enfoques basados en Retrieval-Augmented Generation (RAG) permiten fundamentar las respuestas mediante información recuperada desde bases de conocimiento o repositorios documentales adicionales, suelen apoyarse en flujos de recuperación estáticos y en la disponibilidad permanente de modelos de lenguaje de gran escala. Este trabajo presenta una arquitectura de inferencia contextual que incorpora una orquestación agentizada basada en políticas para gobernar la ejecución de un motor RAG semántico. El agente selecciona dinámicamente estrategias de inferencia según la intención de la consulta, el contexto disponible y el estado del sistema, y genera un plan explícito que aporta trazabilidad y control. La arquitectura permite una degradación controlada, produciendo respuestas basadas en evidencia aun en ausencia de modelos generativos. Los resultados en un escenario de oficina inteligente muestran una mejora en la robustez del sistema sin alterar el modelo de información del ecosistema.