La medicina tradicional china (MTC), como un componente vital de los sistemas de atención médica tradicionales, se basa en gran medida en sus constituyentes químicos, que sirven como un puente entre las antiguas teorías terapéuticas y la ciencia biomédica moderna. El acceso eficiente a la información relacionada con compuestos es crucial para promover la modernización y la comprensión científica de la MTC. Sin embargo, los enfoques existentes dependen principalmente de bases de datos fragmentadas y métodos de recuperación basados en literatura, que sufren de baja inteligencia, mala integración de datos y eficiencia de recuperación limitada. Este estudio presenta un novedoso sistema de recuperación basado en agentes de IA diseñado para la información sobre compuestos en la MTC. La innovación central del sistema radica en su marco de generación aumentada por recuperación híbrida, que combina sin problemas consultas de bases de datos estructuradas con recuperación de vectores semánticos. Además, integra conocimientos de tres fuentes complementarias: bases de datos de conocimiento construidas localmente, API específicas del dominio y búsqueda en la web abierta, lo que permite una cobertura integral y un manejo adaptativo de diversas consultas en lenguaje natural. Los experimentos realizados en un conjunto de datos de referencia de 150 consultas relacionadas con compuestos demuestran que el sistema alcanza una precisión máxima del 96.67% en múltiples LLMs principales. Los estudios de ablación revelan además que eliminar ya sea el RAG híbrido o el módulo de conocimiento de múltiples fuentes conduce a una notable disminución de la precisión, mientras que el sistema completo supera las líneas base típicas de RAG en más del 25%. Estos resultados confirman la efectividad y robustez de la arquitectura propuesta en la recuperación de compuestos de MTC, y destacan la ventaja de combinar el emparejamiento estructurado con el acceso dinámico al conocimiento en aplicaciones biomédicas especializadas.