RAG, MCP, skills y memoria: las cuatro piezas de un agente de IA no son intercambiables
Cada una responde a una pregunta distinta: qué sabe el modelo, a qué sistemas llega, qué procedimientos sigue y qué recuerda de sus propias sesiones.
Un modelo de lenguaje solo sabe lo que había en sus datos de entrenamiento. No conoce tu sistema de RRHH, no recuerda la sesión de depuración de ayer y no tiene idea de cómo triajea tu equipo un error 500. Para cerrar esa distancia se han asentado cuatro mecanismos —RAG, el Model Context Protocol, los Agent Skills y la memoria del agente— y no son intercambiables: cada uno responde a una pregunta distinta. El repaso se apoya en un hecho reciente, que Anthropic publicó Agent Skills como estándar abierto el 18 de diciembre de 2025, después de presentarlo el 16 de octubre de ese mismo año.
Conocimiento escrito, conocimiento vivo
RAG (Retrieval-Augmented Generation) sirve para anclar la respuesta en documentos con los que el modelo no se entrenó: un manual, una base de conocimiento, un runbook. Antes de generar, el sistema recupera el fragmento relevante, normalmente con búsqueda vectorial, y lo mete en un prompt aumentado junto a la pregunta. La técnica viene de un paper de 2020 firmado por Facebook AI Research, el UCL y la NYU, que combinó un modelo secuencia a secuencia preentrenado con un índice vectorial denso de documentos recuperables y comprobó que la salida era más específica y factual que la de un modelo puramente paramétrico. Funciona cuando el conocimiento es estático y ya está escrito. "Añade más contexto" sin criterio no es una estrategia: es quemar tokens.
MCP es otra cosa: es hacer, no saber. Anthropic lo liberó en noviembre de 2024 como protocolo cliente-servidor estandarizado para que un agente se conecte a bases de datos, herramientas SaaS o APIs internas y lea datos en vivo o ejecute acciones. El agente descubre qué herramientas hay, lee el esquema de cada una, decide cuáles llamar y en qué orden, ejecuta y reinyecta los resultados en su razonamiento. La distinción se ve con un ejemplo: los días de vacaciones que te quedan no están en ningún PDF, están en el sistema de RRHH. RAG no los puede leer; MCP sí.
Procedimientos y recuerdos
Los Agent Skills cubren lo que ninguno de los dos hace bien: procedimientos repetibles y criterios. Un skill es una carpeta con un archivo SKILL.md, instrucciones y, opcionalmente, scripts y material de apoyo. La idea de diseño es la divulgación progresiva: al arrancar, el agente solo precarga el nombre y la descripción de cada skill instalado, y lee el cuerpo completo cuando decide que ese skill aplica a la tarea en curso. Así puede referenciar material arbitrariamente grande sin inflar la ventana de contexto. Eso sí, un skill no da alcance nuevo: puede decirle al agente que mire la tasa de errores, pero necesita MCP para leerla de verdad.
La memoria es la pieza rara, porque no la cura nadie: la acumula el propio agente con lo que va viviendo. El marco más citado es CoALA, un paper de 2024 de un equipo de Princeton que divide el almacenamiento en memoria de trabajo y memoria a largo plazo, con categorías separadas dentro de esta última. En la práctica, la memoria de trabajo es la ventana de contexto viva, volátil, que desaparece al cerrar la sesión; la semántica son los hechos y convenciones que el agente debe tener siempre a mano, hoy implementada muchas veces como un markdown en la raíz del repositorio —un CLAUDE.md, por ejemplo— en lugar de una base vectorial; y la procedimental es el cómo se hacen las cosas.
Que Anthropic empuje SKILL.md como formato portable importa: si otras herramientas lo adoptan, un skill deja de ser configuración de un proveedor y pasa a ser un artefacto que viaja entre plataformas. Queda por ver cuánta de esta pila acaba estandarizada y cuánta se queda como diferenciación comercial de cada casa.
