Tu agente RAG parece inteligente hasta que le pides contar algo. Pregunta: cuantos elementos cumplen X? RAG tradicional inventa: aproximadamente 45-50. La respuesta real? 133. La similitud vectorial no puede contar, agregar ni razonar entre relaciones. El problema fundamental: RAG tradicional recupera fragmentos de texto por similitud y pide al LLM sintetizar respuestas. Esto funciona para consultas simples pero falla sistematicamente en cuatro tipos: conteo, agregacion, razonamiento multi-hop y deteccion fuera de dominio. En esta charla veras: - Por que RAG tradicional alucina en consultas estructuradas - Como Graph-RAG construye grafos de conocimiento automaticamente con neo4j-graphrag - Patron Text2Cypher: lenguaje natural a consultas precisas de base de datos - Comparacion lado a lado con consultas identicas mostrando fabricacion de RAG vs precision de Graph-RAG - Patrones de implementacion para produccion con herramientas open-source Te llevaras: - Implementar Graph-RAG con Neo4j y extraccion automatica de entidades - Aplicar generacion de consultas Text2Cypher para obtener respuestas precisas - Evaluar cuando usar RAG vs Graph-RAG con un framework de decision concreto - Codigo open-source adaptable a cualquier dominio con datos estructurados