RAG Time
Investigación SLM
La próxima década de agentes no se ganará con más parámetros. Se ganará orquestando muchos modelos pequeños — especializados, baratos, rápidos — coordinados por una capa delgada de decisión. [02]El argumento
NVIDIA Research, 2025: el 80–90% de las tareas dentro de un agente caen en el rango “SLM es suficiente”. Llamar a un modelo de frontera para cada paso es desperdicio. Reserva el grande para los momentos de planificación. Usa SLMs para todo lo demás. [03]Por qué SLMs
Menos de 10B parámetros. 10–100× más baratos por token. Latencia un orden de magnitud menor. Fine-tuning asequible. Privacidad real: on-device cuando importa. Phi, Llama 3.2, Gemma, Mistral Small, Apple Foundation. La brecha con los grandes se cierra cada mes. [04]El orquestador
Una capa fina decide qué subagente, qué herramienta, qué memoria. Lee el contexto, despacha el trabajo y escala al modelo grande solo cuando hace falta razonar de verdad. El resto del tiempo: mantiene el ritmo. [05]Composición
Ragtime es el runtime y la UX para componer estos sistemas. Agentes en paralelo. Sandbox de herramientas. Memoria persistente. Diff y rollback. Trazabilidad completa. Stream nativo. [06]Estado
Pre-alfa. Construyendo el orquestador. Zaragoza. 2026.