Los autores presentan un framework para evaluar y comparar la generación aumentada por recuperación (RAG) regular, GraphRAG, Modular y Agentic en bases de conocimiento semi-estructuradas. Implementan nueve escenarios estandarizados que abarcan desde la recuperación simple de documentos hasta la integración híbrida compleja de texto-grafo y la planificación multi-paso agéntica. Se presenta un método novedoso de ingeniería de contexto para abordar problemas de desbordamiento de memoria en variantes avanzadas de RAG mediante nuevas representaciones y diseño de bucle agéntico. Esta optimización logra una reducción del 19% al 53% en el uso de tokens mientras gestiona eficientemente las recuperaciones. Un análisis adicional revela una brecha entre recuperación y generación donde la expansión de la recuperación no mejora proporcionalmente la calidad de la generación. El estudio sugiere que las métricas actuales orientadas a la recuperación pueden exagerar los beneficios de las técnicas avanzadas de recuperación. Estas perspectivas basadas en datos tienen como objetivo guiar el desarrollo de sistemas RAG inteligentes listos para producción.