En el panorama actual impulsado por datos, la capacidad de acceder e interpretar información en un formato comprensible por humanos es cada vez más valiosa. Poder interactuar con la base de datos en lenguaje natural y obtener consultas SQL generadas automáticamente marca la diferencia. En este artículo explicamos cómo construir un agente SQL usando el framework Semantic Kernel para interactuar con una base de datos PostgreSQL de ejemplo que contiene datos de alquiler de DVDs, y cómo integrar este agente en una solución empresarial segura y escalable.
Visión general del enfoque: el agente recibe preguntas en lenguaje natural como ¿Qué DVDs se alquilaron más este mes? y genera la consulta SQL adecuada, la ejecuta y devuelve resultados legibles. Esto facilita que usuarios no técnicos obtengan información sin escribir SQL. Para lograrlo, encapsulamos la lógica de acceso a datos en plugins que el agente puede invocar y proporcionamos instrucciones claras que guíen su comportamiento.
Definición de plugins de Semantic Kernel: la forma más sencilla de dotar de capacidades a un agente Semantic Kernel es envolver código nativo dentro de un plugin. En nuestro ejemplo definimos dos plugins principales. El primero, QueryPostgresPlugin, recibe una consulta SQL como entrada, la sanitiza eliminando caracteres innecesarios y la ejecuta contra PostgreSQL usando la librería psycopg2. El plugin se encarga de conectar con la base de datos, ejecutar la consulta, recuperar nombres de columnas y filas y devolver los resultados como una cadena formateada o como datos estructurados. Al abstraer la conectividad y ejecución de consultas, el agente puede concentrarse en generar consultas correctas según la intención del usuario.
El segundo plugin, GetSchemaPlugin, es esencial porque antes de generar consultas el agente debe entender la estructura de la base de datos. Este plugin recupera detalles del esquema desde information_schema.columns, incluyendo nombres de tablas, columnas y tipos de datos. Con esa información el agente puede construir consultas complejas y válidas, evitando referencias a tablas o columnas inexistentes.
Definición de agentes Semantic Kernel: con los plugins listos, el siguiente paso es definir el agente e integrarlos. El framework ofrece distintos tipos de agentes según caso de uso: Azure AI Agent, Chat Completion Agent y Azure Assistant Agent. En nuestro flujo usamos un Chat Completion Agent para la generación conversacional de SQL y un Azure Assistant Agent con Code Interpreter para visualizar y analizar los datos devueltos. Cada agente recibe instrucciones precisas sobre su rol, cuándo consultar el esquema y cómo formatear resultados.
Ejemplo de instrucción para el agente SQL: instruimos al agente a obtener primero el esquema con GetSchemaPlugin, buscar tablas y columnas relevantes y luego generar la consulta SQL que ejecutará mediante QueryPostgresPlugin. Le pedimos que siempre devuelva el resultado de la consulta en formato JSON para que otro agente pueda procesarlo automáticamente. Las instrucciones deben incluir ejemplos y contexto sobre columnas ambiguas y referencias temporales, ya que los agentes no son inherentemente conscientes del tiempo real.
Integración y orquestación: la interacción entre agentes se organiza mediante un Agent Group Chat. En este grupo, el agente SQL consulta el esquema y ejecuta la consulta, luego el agente CodeRunner recibe los datos en JSON, los parsea, ejecuta código Python para generar gráficos y sube las imágenes resultantes. Definimos una estrategia de terminación basada en la detección de la subida del archivo de imagen o en la entrega de la respuesta final en formato markdown. Así se garantiza el flujo correcto entre generación de datos y visualización, y que la conversación termine cuando la tarea se completa.
Arquitectura práctica: la solución consta de tres componentes principales por agente y una capa de orquestación que gestiona el turno de cada participante. Los plugins encapsulan consultas y obtención de esquema, los agentes consumen esas capacidades siguiendo instrucciones detalladas y el grupo de agentes coordina el intercambio hasta producir la visualización final. Con este diseño es posible escalar y auditar interacciones, y añadir controles de seguridad y gobernanza propios de entornos empresariales.
Ejemplo de resultado: al preguntar ¿Cuál es el ingreso total de pagos y cómo se desglosa por categoría de película? el agente SQL consultó la base de datos, devolvió los resultados en JSON y el agente CodeRunner generó un gráfico que mostró las categorías con mayor aporte de ingresos, por ejemplo Sports, Sci Fi y Animation, y las categorías con menos contribución como Music y Travel. La respuesta final incluyó el total calculado y la referencia al archivo de imagen generado para facilitar la revisión visual.
Buenas prácticas y consideraciones: proporcione al agente contexto del dominio y ejemplos one shot o few shot para obtener consultas más precisas. Controle el acceso a la base de datos y realice sanitización de consultas para mitigar riesgos de inyección SQL. Añada límites operativos y registro de auditoría para cumplimiento y trazabilidad. Aproveche las opciones de observabilidad y despliegue de Semantic Kernel en entornos cloud para ofrecer soluciones seguras y preparadas para producción.
Aplicaciones empresariales y servicios Q2BSTUDIO: en Q2BSTUDIO ofrecemos experiencia en diseño e implementación de soluciones similares integrando agentes IA con bases de datos y herramientas de visualización. Somos especialistas en desarrollo de software a medida y aplicaciones a medida, inteligencia artificial para empresas, ciberseguridad y servicios cloud aws y azure. Si busca crear agentes IA que conviertan lenguaje natural en consultas SQL o soluciones completas que incluyan visualización con Power BI, podemos acompañarle desde el diseño hasta la puesta en producción. Conozca cómo desarrollamos aplicaciones a medida visitando nuestros servicios de desarrollo de aplicaciones y descubra nuestras capacidades en inteligencia artificial en la página de IA para empresas.
Palabras clave y posicionamiento: esta solución está alineada con servicios como aplicaciones a medida, software a medida, inteligencia artificial, ciberseguridad, servicios cloud aws y azure, servicios de inteligencia de negocio, ia para empresas, agentes IA y power bi. Estos términos reflejan las capacidades que Q2BSTUDIO aporta para transformar datos en decisiones mediante agentes conversacionales y pipelines de análisis automatizados.
Conclusión: construir un sistema multitarea basado en Semantic Kernel que transforme lenguaje natural a SQL permite democratizar el acceso a los datos y acelerar la toma de decisiones. La combinación de plugins para consultas y esquemas, agentes especializados y orquestación en grupo permite crear soluciones robustas, auditables y adaptables a escenarios empresariales. En Q2BSTUDIO diseñamos estas soluciones a medida, integrando seguridad, escalabilidad y visualización para que su empresa extraiga el máximo valor de sus datos.