Castform, plataforma que permite a desarrolladores aplicar aprendizaje por refuerzo (RL) post-entrenamiento a modelos de código abierto sin gestionar infraestructura de machine learning ni GPUs, se integra con las extensiones Lakebase Postgres y Lakebase Search de Neon para construir pipelines de búsqueda agentic eficientes. La propuesta conjunta parte de un diagnóstico: los datos útiles para entrenar agentes ya están en las bases de datos corporativas, pero convertirlos en conjuntos de entrenamiento y permitir que un agente los consulte de forma barata y escalable exige infraestructura avanzada.
El texto recorre la evolución de la búsqueda para agentes: del embedding search y los pipelines RAG artesanales de 2022 a la recuperación agentic multi-salto de 2025, donde el modelo planifica y consulta varias veces en bucle, lo que multiplica llamadas al modelo frontier, latencia y coste. Castform sostiene que los modelos abiertos pequeños son hasta 100 veces más baratos y que, tras un post-entrenamiento RL específico para tareas como búsqueda, pueden igualar o superar a modelos frontier cerrados.
La integración con Neon cubre las cuatro fases del pipeline: almacenamiento del corpus en Postgres sobre Neon, generación sintética de tareas con lakebase_text y lakebase_vector, entrenamiento RL con Lakebase Search en cada rollout e inferencia final con la misma herramienta. Neon aporta escalado dinámico de cómputo para absorber picos durante los miles de rollouts paralelos, branching para entornos aislados por rollout, time-travel para inspeccionar estados del agente y scale-to-zero para mantener costes bajos en reposo.