Intensivo Gratis 21–22.11Intensivo gratuito de 2 días en Vibecoding (21–22 nov, 16:00 MSK) · Cohorte 3 inicia 23.11Registrarse gratis →Cohorte 3 (23.11)
LanzamientoAnálisis · En radarHabr AI→ original

Memoria de un agente de IA: SQL y SPARQL responden correctamente en el 98% de los casos, pero SPARQL cuesta entre un 7 y un 145% más

Un agente necesita memoria, y puede guardarla en tablas (consultas en SQL) o en un grafo de conocimiento (consultas en SPARQL). El autor hizo 15 preguntas sobre un mismo artículo a tres modelos abiertos y realizó 405 ejecuciones por cada lenguaje: el 97,8% de las respuestas fueron correctas con SQL y el 98,5% con SPARQL. Sin embargo, SPARQL cuesta entre un 7% y un 145% más, porque los modelos se equivocan más con la sintaxis y vuelven a consultar la base. Si los datos ya están en tablas con un esquema descrito, conviene empezar por SQL.

Procesado por IA desde Habr AI; editado por Hamidun News
Memoria de un agente de IA: SQL y SPARQL responden correctamente en el 98% de los casos, pero SPARQL cuesta entre un 7 y un 145% más
Fuente: Habr AI. Collage: Hamidun News.
Escuchar artículo
Ficha técnica y cifras clave
ParámetroDatos
Fuente originalHabr AI ↗
Editor jefe
Dato clave #1DeepSeek respondió correctamente en las 270 ejecuciones, a $0,0009 por ejecución
Dato clave #2Gemma, sin caché de prompt, sale entre 25 y 27 veces más cara que DeepSeek con las mismas respuestas
Dato clave #3De 134 ejecuciones con error de la base, el agente corrigió 129 por sí mismo

Cuando un agente necesita memoria para no inventarse las respuestas, el desarrollador se enfrenta a una elección sencilla: guardar el conocimiento en tablas normales y consultarlo con SQL, o construir un grafo de conocimiento y consultarlo con SPARQL (un lenguaje de consultas para grafos, parecido a SQL, pero que trabaja con las relaciones entre objetos). Normalmente, esta decisión se toma guiándose por publicaciones en internet, sin medir nada. El autor del análisis en Habr decidió medirlo. El resultado: ambos enfoques responden correctamente en aproximadamente el 98% de los casos, pero SPARQL cuesta entre un 7% y un 145% más según el modelo, porque los modelos cometen más errores en su sintaxis y hacen más intentos innecesarios.

De dónde surge la controversia

El punto de partida fue un estudio de Sequeda y coautores. En él, GPT-4 respondía correctamente a preguntas sobre una base de datos SQL corporativa en el 16% de los casos, y sobre un grafo de conocimiento construido sobre esa misma base en el 54%. Pero la comparación no era justa: el grafo tenía una ontología (una descripción detallada de lo que significa cada tipo de objeto y de relación), mientras que el esquema SQL solo tenía los tipos y los nombres de tablas y columnas. El autor describió ambas formas con el mismo nivel de detalle y volvió a comprobarlo.

Cómo se diseñó el experimento

Los datos de un único artículo sobre PostgreSQL y ClickHouse fueron descompuestos por una red neuronal en entidades, tesis, mediciones, réplicas y procesos. Así se obtuvieron 10 154 quads (registros de grafo con la forma «sujeto, propiedad, valor, grafo») repartidos en 37 grafos. Después, todo ello se convirtió en 34 tablas de PostgreSQL: cada nodo del grafo pasó a ser una fila y cada propiedad, una columna. Mediante el mapeo R2RML, las tablas se vuelven a reunir en el grafo original. La descripción de la memoria en el prompt del sistema es idéntica para ambas variantes y ocupa entre 15 000 y 17 000 tokens.

El agente está escrito en Java con langchain4j. Funciona con un ciclo de «modelo, herramientas, modelo», con un máximo de 16 llamadas al modelo y 12 consultas a la memoria. La memoria se conecta mediante un servidor MCP, y el agente dispone de tres herramientas: sql_query, sparql_query y submit_answer para la respuesta final con una cita. La base es de solo lectura, el tiempo de espera por consulta es de 5 segundos y la respuesta se recorta a 200 filas.

Hay 15 preguntas de siete tipos: hechos, relaciones, agregados, rutas por cadenas de argumentos, debates, citas y preguntas sin respuesta. La verificación se hace con reglas, sin juez basado en LLM. Se eligieron modelos de pesos abiertos: DeepSeek V4.1 Flash, Gemma 4 31B y Qwen 3.8 27B. Cada combinación se repitió tres veces: 3 modelos, 3 condiciones (solo SQL, solo SPARQL, ambas herramientas), 15 preguntas y 3 repeticiones, lo que suma 405 ejecuciones por cada lenguaje de la base. Todas las ejecuciones tardaron 10 minutos.

Resultados: la precisión es igual, la factura no

En la base en ruso, SQL logró un 97,8% de respuestas correctas, y SPARQL y el modo con elección entre dos herramientas, un 98,5%. En la traducción al inglés: 98,5%, 99,3% y 97,8%. DeepSeek acertó las 270 veces. De los 13 errores de Gemma y Qwen, 12 se concentraron en dos preguntas: la de las cadenas de argumentos (P1) y la de contar las réplicas en un debate (D3).

El coste sí difiere de forma notable. Los errores de la base por llamada son entre 2 y 3 veces más frecuentes con SPARQL: 5,9% frente a 2,8% en la base en ruso, y 7,3% frente a 2,5% en la inglesa. Cada ejecución se encarece en todos los casos: en DeepSeek, entre un 11% y un 25%; en Gemma, entre un 7% y un 10%; en Qwen, entre un 63% y un 145%. Aun así, los agentes se corrigen bien por sí mismos: de las 134 ejecuciones en las que la base devolvió un error, 129 terminaron con una respuesta correcta. El modelo lee el texto del error y reescribe la consulta.

Una lección aparte se refiere a la caché del prompt. Durante cada ejecución, el agente llama al modelo entre 4 y 7 veces y, en cada una, vuelve a enviar los mismos 15 000 a 17 000 tokens. DeepInfra almacena en caché DeepSeek (el 97% de los tokens de entrada salen de la caché) y no hace lo mismo con Gemma. Por eso, Gemma, con las mismas respuestas, resulta entre 25 y 27 veces más cara: $0,0234 por ejecución frente a $0,0009 de DeepSeek. Qwen cuesta $0,0077 por ejecución en la base en ruso. La mediana del tiempo de respuesta en la base en ruso es de 13 segundos con DeepSeek, 38 con Qwen y 57 con Gemma.

Qué hacer en la práctica

Si los datos ya están en una base relacional y el esquema está descrito, SQL ofrece la misma precisión a menor coste. El grafo compensa cuando importan las relaciones y no está claro qué tabla hay que consultar. El proveedor con caché de prompt influye en la factura más que la elección del lenguaje de consulta. Y, como el agente corrige sus propios errores, conviene devolverle el texto del error de la base en lugar de interrumpir el trabajo.

Las limitaciones son honestas: un solo artículo, 15 preguntas y un único autor. Los modelos se invocaron a través de OpenRouter y no en local, porque ni siquiera un modelo de 27B con cuantización de 4 bits puede ejecutarse en un portátil en un tiempo razonable. El formato de verificación y los prompts se fueron ajustando durante el trabajo: por ejemplo, se añadieron prefijos SPARQL por defecto. Por ello, las cifras deben tomarse como orientativas, y el método de medición puede repetirse con datos propios. Los precios del artículo corresponden al 27 de octubre de 2026.

Historia

Preguntas frecuentes sobre la noticia

¿Qué se sabe sobre De dónde surge la controversia?

El punto de partida fue un estudio de Sequeda y coautores. En él, GPT-4 respondía correctamente a preguntas sobre una base de datos SQL corporativa en el 16% de los casos, y sobre un grafo de conocimiento construido sobre esa misma base en el 54%. Pero la comparación no era justa: el grafo tenía una ontología (una descripción detallada de lo que significa cada tipo de objeto y de relación), mientras que el esquema SQL solo tenía los tipos y los nombres de tablas y columnas.

Cómo se diseñó el experimento?

Los datos de un único artículo sobre PostgreSQL y ClickHouse fueron descompuestos por una red neuronal en entidades, tesis, mediciones, réplicas y procesos. Así se obtuvieron 10 154 quads (registros de grafo con la forma «sujeto, propiedad, valor, grafo») repartidos en 37 grafos. Después, todo ello se convirtió en 34 tablas de PostgreSQL: cada nodo del grafo pasó a ser una fila y cada propiedad, una columna. Mediante el mapeo R2RML, las tablas se vuelven a reunir en el grafo original.

¿Qué se sabe sobre Resultados: la precisión es igual, la factura no?

En la base en ruso, SQL logró un 97,8% de respuestas correctas, y SPARQL y el modo con elección entre dos herramientas, un 98,5%. En la traducción al inglés: 98,5%, 99,3% y 97,8%. DeepSeek acertó las 270 veces. De los 13 errores de Gemma y Qwen, 12 se concentraron en dos preguntas: la de las cadenas de argumentos (P1) y la de contar las réplicas en un debate (D3). El coste sí difiere de forma notable.

ZK
Zhemal Khamidun — CPO de Alpina Digital, product manager de AlpinaGPT. Crea productos de IA desde 2019. Hamidun News es un proyecto personal que creció hasta ser un agregador en producción con más de 6.000 lectores.
✦ Unified AI Workspace · Nomad

Test Frontier LLMs & Autonomous Agents in One Workspace

Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.

Try Nomad AI →Launch Nomad Agent
¿Qué te parece?
Cargando comentarios…