Resumen Técnico: Contratos de Esquema Ejecutables para la Recuperación Multifuente

Planteamiento del Problema

Los datos del mundo real son inherentemente heterogéneos, abarcando desde tablas estructuradas y registros JSON semiestructurados hasta documentos no estructurados y wikis internas. Estas fuentes suelen poseer identificadores inconsistentes y semánticas implícitas. Aunque los sistemas de Generación Aumentada por Recuperación (RAG) sobresalen en la búsqueda de documentos individuales, frecuentemente fallan en las uniones (joins) entre fuentes, la recuperación de múltiples saltos (multi-hop) y los flujos de trabajo que requieren una procedencia auditable. El cuello de botella principal no es la capacidad del modelo de lenguaje, sino la falta de estructura: los sistemas no pueden alinear entidades, recorrer relaciones o justificar respuestas a través de fuentes dispares de manera fiable sin una ingeniería de esquemas manual. Las soluciones existentes exigen una curación manual estática y costosa que no escala con la evolución del esquema, o bien dependen de enfoques totalmente abiertos que sacrifican la corrección y la latencia.

Metodología

Los autores proponen un sistema que descubre automáticamente un esquema ejecutable unificado a partir de datos de múltiples fuentes y lo utiliza como un contrato compartido tanto para la construcción de un grafo de conocimiento (KG) fuera de línea como para la recuperación en tiempo de consulta. El flujo de trabajo consta de tres etapas principales:

1. Inducción de Esquema (El Contrato)

El sistema induce un esquema unificado $\Sigma = (F, T, R, I)$ a partir de fuentes heterogéneas $S$ sin anotación manual.

• Catálogo de Campos de Mundo Cerrado: Para prevenir las alucinaciones de los LLM, el sistema primero perfila las fuentes para construir un catálogo $F$ de todos los campos observables con identificadores estables. El LLM está estrictamente restringido a referenciar solo estos campos atestiguados.
• Descubrimiento Semántico de Dos Pasadas: El LLM realiza una pasada de "descubrimiento profundo" sobre una muestra representativa y una pasada de "validación" sobre muestras diversas para extraer tipos de entidad, mapeos de atributos y relaciones. Esta estrategia de dos pasadas recupera tipos de entidades poco comunes que se pierden en la extracción de una sola pasada.
• Inteligencia Estructural Estadística: En lugar de depender del LLM para los patrones estructurales, el sistema utiliza análisis estadísticos deterministas para inferir claves de identidad (para deduplicación), claves foráneas (para el enlace entre fuentes) y jerarquías de fuentes basadas en la superposición de valores y la cardinalidad.
• Unificación de Fuentes Cruzadas: Utilizando el muestreo emparejado (agrupando registros por valores de clave compartidos en lugar de indexación paralela), el sistema unifica los esquemas por fuente en un $\Sigma$ global con ganchos de procedencia.

2. Construcción Guiada por el Esquema

El esquema inducido $\Sigma$ actúa como un plano de control para construir un grafo de conocimiento en Neo4j consciente de la procedencia $G$.

• Extracción: $\Sigma$ dicta la estrategia de extracción. Los campos estructurados se extraen de forma determinista; la extracción mediante LLM se activa solo para fuentes híbridas o campos marcados como tales.
• Deduplicación: Las claves de identidad definidas en $\Sigma$ permiten una deduplicación determinista de $O(n)$. Para tipos sin claves, se utiliza el agrupamiento (clustering) basado en embeddings como alternativa.
• Vinculación (Linking): Los bordes entre fuentes se materializan mediante uniones de índice hash en las claves foráneas declaradas, permitiendo consultas de múltiples saltos a través de las fuentes.
• Procedencia: Cada entidad extraída se vincula a su nodo SourceRecord de origen mediante bordes DERIVED_FROM, asegurando una trazabilidad total.

3. Recuperación y QA Guiada por el Esquema

En el tiempo de consulta, el sistema emplea un agente multi-herramienta que utiliza el esquema (opcionalmente extendido mediante un protocolo monotónico) para dirigir la recuperación.

• Enrutamiento Condicionado por el Esquema: El agente realiza una introspección de $\Sigma$ para construir un contexto de ejecución. Dirige las consultas basándose en un orden de preferencia: SCHEMALOOKUP para restricciones de valores discretos y tipados; VECTORRAG para evidencia no estructurada; y EXTERNALSEARCH para consultas fuera de distribución (OOD).
• Control de Fiabilidad (Reliability Gating): Un mecanismo de control de dos etapas evita las alucinaciones. Una puerta de pre-recuperación verifica si las entidades de la consulta caen dentro de los conjuntos de valores conocidos del esquema; una puerta de post-recuperación verifica que las respuestas candidatas estén fundamentadas en la evidencia recuperada.
• Extensión en Tiempo de Consulta: Si una consulta introduce tipos de entidad no resueltos, el sistema puede realizar una extensión de esquema monotónica (añadiendo nuevos tipos sin alterar las definiciones existentes) para manejar brechas conceptuales, ya sea de forma persistente o en memoria para la consulta específica.

Contribuciones Clave

El artículo formula la QA heterogénea en torno a un contrato de esquema ejecutable compartido. Las contribuciones específicas son:

1. Descubrimiento de Esquema Ejecutable: Demostrar que los esquemas descubiertos por LLM pueden hacerse ejecutables sobre fuentes heterogéneas puras mediante el anclaje en un catálogo de campos de mundo cerrado y el uso de métodos estadísticos para la inferencia estructural.
2. Construcción Guiada por el Esquema: Mostrar que la ejecución del esquema inducido durante la ingesta (especificando rutas de extracción, claves y enlaces) mejora significativamente el rendimiento de la QA downstream en comparación con la eliminación de la inteligencia estructural.
3. Recuperación Guiada por el Esquema: Probar que exponer el esquema inducido al agente de QA para decisiones de enrutamiento produce ganancias sustanciales sobre los agentes de uso de herramientas genéricos (por ejemplo, ReAct, PlanAct) y las líneas base estándar de RAG.
4. Extensión Monotónica: Introducir un mecanismo para evolucionar los esquemas en el tiempo de consulta manteniendo la integridad de las definiciones previas.

Resultados

El sistema fue evaluado en cuatro benchmarks: BlendQA (descubrimiento de fuentes cruzadas), HybridQA (puente tabla-texto), TAT-QA (razonamiento financiero) y ComplexTR (razonamiento temporal de múltiples saltos).

• Rendimiento: En comparaciones controladas zero-shot utilizando el mismo LLM (GPT-4.1) y el mismo entorno de evaluación, el sistema Guiado por Esquema alcanzó los puntajes más altos de Exact Match (EM) y F1 en los cuatro benchmarks.
  • En BlendQA, mejoró el EM en +2.6 respecto al segundo mejor baseline controlado (AtomR) y en +10.2 respecto a RAG.
  • En HybridQA, logró un +19.8 EM sobre AtomR y un +51.3 EM sobre RAG.
  • En TAT-QA y ComplexTR, superó de manera similar a todas las líneas base, con ganancias de +5.7 y +10.5 EM respectivamente respecto a los mejores métodos.
• Estudios de Ablación: La eliminación de componentes específicos confirmó sus contribuciones independientes:
  • Eliminar la guía del esquema (revirtiendo al enrutamiento tipo ReAct) redujo el EM en 9.3 en BlendQA.
  • Eliminar la ingesta de KG afectó significativamente el rendimiento de múltiples saltos (por ejemplo, -8.0 EM en BlendQA).
  • Eliminar la inteligencia estructural degradó el EM entre 2.1 y 6.8 en los datasets.
  • Eliminar la extensión en tiempo de consulta redujo el rendimiento en datasets que requerían evolución de esquema (HybridQA, TAT-QA), aunque el sistema se mantuvo robusto sin ella.
• Evaluación Cross-Model: Las ganancias fueron consistentes en tres familias de LLM diferentes (GPT-4.1, Claude Haiku, Llama 3.3 70B), lo que indica que el enfoque no es específico para una única arquitectura de modelo.

Significado y Reivindicaciones

Los autores afirman que sus resultados establecen tres principios para la QA heterogénea:

1. La inducción de esquemas de mundo cerrado es necesaria para hacer que la estructura descubierta por el LLM sea ejecutable y para prevenir referencias de campos alucinadas.
2. El análisis estructural estadístico debe preceder a la extracción semántica para inferir de manera fiable las claves y relaciones que los LLM tienen dificultades para detectar.
3. Los agentes de recuperación se benefician cuando el esquema utilizado para la construcción también condiciona el enrutamiento; este enfoque supera sustancialmente el uso de herramientas de agentes genéricos.

El artículo posiciona este trabajo como un paso hacia sistemas de QA auto-configurables y auto-extensibles que pueden operar sobre fuentes de datos no estacionarias sin diseño de esquema manual, manteniendo una baja latencia, controlabilidad y procedencia auditable. Los autores señalan limitaciones respecto al alcance de la evaluación cross-model (limitada a BlendQA para algunos modelos) y el costo de latencia de la extensión de esquema en tiempo de consulta, que puede ser prohibitivo para aplicaciones de tiempo real estrictas.