El problema de los pipelines "texto → SQL" tradicionales
La mayoría de las soluciones de IA para bases de datos siguen el mismo patrón: el usuario escribe una pregunta en lenguaje natural, un modelo la traduce a una consulta SQL, y esa consulta se ejecuta directamente contra la base de datos. Es simple, pero frágil: si el modelo genera una consulta incorrecta, esta puede ejecutarse sin errores y devolver un resultado que parece válido pero no lo es. Nadie se entera de que la respuesta está mal, porque no hubo ningún fallo visible que lo delate.
La documentación oficial de smolagents, el framework de agentes de Hugging Face, propone una alternativa: en vez de un pipeline de un solo paso, construir un agente capaz de revisar el resultado de su propia consulta y decidir si necesita corregirla. Este patrón —conocido como ReAct (Reasoning + Acting)— convierte una traducción ciega en un proceso iterativo de prueba y verificación.
El stack utilizado
smolagents — framework de agentes de código de Hugging Face.
