Búsqueda agéntica con modelos open source: a quién encontró, cuánto costó y dónde falló todo

Un desarrollador de Habr realizó una serie de experimentos sobre búsqueda agéntica con modelos open source de bajo coste. La idea principal era entender el stack tecnológico mínimo necesario para una búsqueda de información confiable y con fuentes verificables, sin enlaces inventados. La tarea era concreta: encontrar contactos de RR.HH. y especialistas en IA en la empresa Sber para determinar el conjunto mínimo de herramientas que necesita un agente para una búsqueda fiable en internet.

Un stack de $20

El autor eligió un conjunto mínimo de herramientas. Agent Hermes es un sistema agéntico con herramientas de búsqueda, apertura de páginas y registro de resultados. Ollama es un proveedor de modelos open source con un nivel gratuito en la nube (los seis modelos de las dos primeras fases funcionaron con el plan gratuito).

OpenRouter es un mercado de modelos para acceder a solicitudes de pago y a JEV. JEV es un pequeño modelo juez que no busca por sí mismo, sino que verifica a las personas encontradas según tres criterios: confirmación del rol en la empresa (0-1), categoría de especialista (RR.HH.

/IA/ML/otro) y si actualmente trabaja allí (0-1). Grok bot, de X/Cursor, es el sistema que orquesta los agentes y gestiona el experimento. La búsqueda se realizó a través de SearXNG (proxy) y Yandex como motor de búsqueda principal, porque Google bloqueaba las solicitudes con un captcha.

Primera prueba: modelo puro frente a skills

El autor probó un modelo (gemma4:31b) en una tarea concreta: encontrar a 10 personas de RR.HH. conocidas de Sber a través de developers.sber.ru. Sin skills, el modelo encontró a casi todas las personas necesarias (exhaustividad de 0,97), pero con 8 resultados sobrantes (precisión de 0,68). Añadir skills elevó la precisión a 0,88, pero ralentizó la búsqueda de 52 a 121 segundos. El mejor resultado fue el modelo puro combinado con el filtro JEV: exhaustividad de 0,97, precisión de 0,97 y un coste de aproximadamente $0,001 por ejecución. Conclusión: el cuello de botella no es el modelo, sino su envoltura (herramientas y flujo asociado).

Segunda prueba: seis modelos en dos tareas

A continuación se probaron seis modelos open source en dos variantes:

• H1 (encontrar personal de RR.HH. y reclutadores): gemma4:31b encontró 3 contactos confirmados (el mejor resultado), nemotron-3-super encontró 1, gpt-oss:120b encontró 1, gpt-oss:20b encontró 0, nemotron-3-nano:30b encontró 1 y nemotron-3-ultra encontró entre 0 y 4. Conclusión: la búsqueda de RR.HH. prácticamente no funcionó con ningún modelo.

• H2 (encontrar especialistas en IA/ML): solo tres modelos superaron el umbral de 5 contactos confirmados en ambas ejecuciones. gemma4:31b encontró entre 8 y 15 contactos (una dispersión de 1,9 veces). nemotron-3-super encontró entre 6 y 10. gpt-oss:120b encontró entre 6 y 7 contactos, el resultado más estable, con un 66,5% de resultados procedentes de los sitios oficiales de Sber y 113 segundos de búsqueda.

nemotron-3-ultra encontró más gente que ningún otro (entre 30 y 33 personas), pero con menor calidad: JEV solo aceptó entre 7 y 8, y el coste fue elevado ($0,19-0,38 por ejecución). nemotron-3-nano:30b inventó un enlace: el modelo tomó una dirección que no provenía de los resultados de búsqueda. gpt-oss:20b resultó inestable: tres de cada cuatro ejecuciones devolvieron un JSON incorrecto. En el resto de los casos prácticamente no hubo enlaces inventados.

Por qué Yandex y no Google

Google y Bing bloqueaban las solicitudes de los agentes con captchas. La API de Google Custom Search cierra el 1 de enero de 2027 y ya no está disponible para nuevos clientes. La API oficial para acceso completo a la web requiere un mínimo de $30.

000 al mes. La API de búsqueda de Bing está cerrada desde el 11 de agosto de 2025. En 2026, Google rompió al menos cinco veces los métodos de elusión usados por SearXNG, y desde agosto añadió verificación de huellas TLS del cliente.

Yandex indexa mejor la web en ruso: Habr, hh.ru, vc.ru, TAdviser y Rusprofile aparecen como resultados relevantes.

En instancias públicas de SearXNG (a octubre de 2026), la tasa de error promedio fue: Yandex 0%, Google 10%, DuckDuckGo 60%, Brave 85%.

Modelos de pago

El autor también probó modelos de frontera: Deepseek, Kimi K3, GLM-5.3 (primera ronda) y Mimo, GPT-6 Luna, Gemini 3.8 flash, Claude Sonn (segunda ronda). Los resultados completos de los modelos de pago se detallan en el artículo original.

Conclusiones

El nuevo hallazgo es que el cuello de botella de la búsqueda agéntica no es la calidad del modelo, sino su envoltura (skills y herramientas). Un modelo puro combinado con un filtro externo barato funciona mejor que un modelo con skills integradas complejas. Buscar personal de RR.HH. a través de fuentes abiertas es prácticamente imposible. Los enlaces inventados se pueden evitar casi por completo con un filtrado adecuado.