RAG se ha consolidado como el patrón estándar para conectar LLMs con información externa, pero en escenarios reales pronto aparecen sus limitaciones: fuentes dispersas, contenido cambiante, necesidad de razonamiento, reutilización entre agentes y mantenimiento continuo del conocimiento.

En esta sesión exploraremos RAG 2.0, un enfoque basado en Foundry IQ como realtime knowledge layer para agentes, donde el conocimiento deja de estar embebido en cada agente y pasa a gestionarse como una capa independiente, compartida y gobernada.

Como caso práctico real, mostraremos cómo hemos construido un conjunto de agentes de IA que mantienen y mejoran automáticamente un blog técnico que había quedado abandonado por falta de editores humanos. Estos agentes:
- Descubren noticias y contenido relevante en fuentes externas,
- Realizan web scraping y análisis de calidad,
- Reutilizan y cruzan el conocimiento histórico del propio blog,
- Generan nuevas entradas coherentes con su estilo, temática y audiencia,
- Y mejoran artículos existentes de forma iterativa.

Todo el sistema se apoya en Foundry IQ Knowledge Bases para unificar fuentes, aplicar recuperación agéntica (planning, reranking e iteración) y exponer conocimiento consistente a múltiples agentes en tiempo casi real.

La sesión incluye una demo funcional, arquitectura explicada paso a paso y el código publicado en GitHub, de forma que cualquier asistente pueda reproducir el enfoque y adaptarlo posteriormente a escenarios enterprise.