Construyendo un agente basado en RAG usando DronaHQ

Construyendo un agente basado en RAG usando DronaHQ

RAG o generación aumentada por recuperación es un patrón donde un modelo de lenguaje genera respuestas usando datos externos recuperados en tiempo de ejecución en lugar de confiar solo en su conocimiento de entrenamiento. En su forma mínima un sistema RAG tiene tres componentes: un corpus de material fuente que representa la verdad base, un recuperador que selecciona fragmentos relevantes del corpus según la consulta del usuario y un generador que produce la respuesta usando únicamente el contexto recuperado. La propiedad clave de RAG es el anclaje. El modelo queda constreñido por lo que recupera y si la información no existe en el corpus el sistema debe reconocer que no lo sabe o pedir aclaración. En entornos empresariales RAG resulta especialmente útil cuando la precisión importa más que la creatividad, por ejemplo en documentación interna, historias de clientes, políticas, análisis y transcripciones que son contenidos acotados y auditables.

Agentic RAG añade sobre esa base capacidades de toma de decisiones e iteración. En lugar de un solo paso recuperar y generar, un sistema agentic puede planear su trabajo, adaptar la recuperación según resultados intermedios, verificar salidas y ejecutar acciones a través de herramientas. La recuperación sigue siendo el ancla pero el agente decide cómo y cuándo recuperar. Importante distinguir que agentic RAG no requiere autonomía total ni razonamiento abierto. En la mayoría de casos empresariales el comportamiento agente es estrecho, intencional y acotado. Bucles de planificación, verificación y clarificación importan más que largas cadenas de razonamiento. Una regla práctica: RAG responde preguntas. Agentic RAG completa tareas.

En la práctica los agentes RAG no se comportan como asistentes generales sino como trabajadores enfocados con un trabajo claro. Pensemos en la renovación de un proveedor en finanzas u operaciones. La información necesaria vive en contratos, en métricas del dashboard, en hilos de correo y en notas de excepciones. Un RAG básico puede responder que dice un contrato sobre renovaciones recuperando y resumiendo una cláusula. Un agentic RAG hace más: al solicitar un resumen de renovación primero define qué evidencia necesita, recupera términos de contrato, métricas recientes y notas sobre excepciones, y si algo falta o contradice marca la inconsistencia en lugar de adivinar. Solo entonces genera un resumen estructurado para revisar o compartir. La diferencia clave es la planificación, la recuperación dirigida y la verificación antes de redactar.

Caso real: historias de clientes como problema operativo. En nuestro equipo las historias de cliente eran valiosas pero difíciles de reutilizar. Información sobre un mismo cliente vivía en blogs públicos, documentos internos, transcripciones de videos, diapositivas y notas. Cada vez que alguien necesitaba un breve texto, unas viñetas o una cita sobre integraciones el proceso era manual: buscar, conciliar, decidir versión vigente y reescribir. El coste fue tiempo además de inconsistencia y datos desactualizados. Probamos curación manual y herramientas conversacionales como ChatGPT o NotebookLM pero la precisión era insuficiente: mezclaban clientes, inventaban citas y difuminaban cronologías. Para historias de cliente ese riesgo era inaceptable.

La solución fue un agente RAG diseñado específicamente para historias de cliente. En lugar de intentar saberlo todo el agente recupera solo material verificado y específico del cliente en tiempo de ejecución y genera salidas estrictamente a partir de ese contexto. Con el tiempo incorporamos capas agentic de planificación, verificación y comportamiento en múltiples pasos para cubrir tareas reales.

Concepto operacional: el agente trata las historias de cliente como evidencia, no como prompts. Al recibir una petición identifica el cliente y el formato requerido, decide las fuentes adecuadas para cada sección, recupera por separado blogs o documentos para el relato, transcripciones para citas y resúmenes de resultados para métricas. Ensambla el contexto y solo entonces genera la salida. Nada se escribe antes de recuperar. Nada se genera sin anclaje.

Construcción sin código con DronaHQ. Para implementar este agente utilicé la plataforma agentic de DronaHQ. Primer paso recursos: definí qué podía conocer el agente incorporando solo recursos aprobados que reflejaban cómo trabajamos, incluyendo documentos, transcripciones y páginas largas. Consejo: no vuelques todos los recursos en el sistema. Múltiples verdades pueden confundir. La meta es alimentar los datos correctos y nada más. Instrucciones: fueron la parte más crítica. Escribí instrucciones que explicaban responsabilidades del agente, cómo interpretar solicitudes vagas y qué acciones estaban prohibidas. Pequeños cambios en las instrucciones tuvieron mayor impacto que cambiar herramientas o modelos. Modelo LLM: seleccioné un modelo centrado en menor creatividad porque la tarea exige precisión y consistencia. Con restricciones claras el comportamiento se volvió predecible. Herramientas AI: conecté solo lo necesario para generar documentos y diapositivas que encajen en flujos existentes. Pruebas: las pruebas fueron continuas en el playground de DronaHQ con prompts reales y casos límite. Cuando la salida se desviaba ajusté instrucciones en lugar de añadir complejidad.

Ejemplo de flujo real. Prompt: dar una pieza de 100 a 150 palabras sobre cliente XYZ, tres o cuatro viñetas y dos opciones de cita sobre integraciones. El agente limita la búsqueda a artefactos etiquetados con el cliente, identifica secciones de salida y mapea cada una a un tipo de fuente, recupera segmentos de historias y transcripciones que mencionan integraciones, agrupa el contenido por propósito para evitar mezclas, redacta usando solo el material recuperado y si algo falta pregunta o limita el resultado. Este patrón convierte una base de conocimiento dispersa en historias de cliente fiables y reutilizables.

Mapeo técnico. El corpus es el conjunto de artefactos de historias de cliente: blogs, write ups internos, resúmenes de resultados, transcripciones y notas etiquetadas. La ingestión estructuró esos artefactos en fragmentos recuperables, separando por secciones como problema, solución, integraciones, escala y resultados. La recuperación ocurre en tiempo real y se atenúa al cliente solicitado. El ensamblado mantiene separadas las fuentes por propósito y la generación está constreñida a no inventar: si el contexto es insuficiente el agente pide aclaración o se niega a fabricar citas.

Donde aparece el comportamiento agentic. Primera capa planificación: descomponer la tarea en salidas y evidencias requeridas para determinar fuentes y profundidad de búsqueda. Segunda capa recuperación en varias pasadas: búsqueda amplia inicial y búsquedas focalizadas para huecos como integraciones o métricas. Tercera capa verificación: construir una tabla interna que mapea cada afirmación a su fuente y resolver o marcar conflictos según reglas predefinidas. Gestión de citas: extraer líneas literales de transcripciones, seleccionar candidatas y luego limpiar la redacción. Para presentaciones el agente decide estructura narrativa, recupera puntos de prueba por diapositiva, genera títulos y notas del orador y adapta el deck a la audiencia. Un bucle final de calidad evalúa anclaje, completitud y formato y si algo falla el agente revisa con nuevas recuperaciones.

Lecciones y recomendaciones. Si exploras RAG comienza con un flujo donde el coste de equivocarse es obvio. Historias de clientes, políticas, runbooks de soporte, renovaciones y SOPs son buenos candidatos porque el material fuente ya existe y las salidas son usadas por equipos reales. Un RAG básico entrega respuestas más rápidas. Si necesitas salidas consistentes que resistan revisión añade capas agentic: planificación, recuperación en múltiples pasadas, verificación y preguntas de clarificación. Esas mejoras transforman un sistema util en uno fiable. En nuestro caso el objetivo no fue crear un agente autónomo sino dejar de rehacer el mismo trabajo semanalmente y garantizar que los outputs estén anclados en lo que el cliente realmente dijo y en lo que entregamos.

Sobre Q2BSTUDIO. En Q2BSTUDIO somos una empresa de desarrollo de software y aplicaciones a medida con especialización en inteligencia artificial, ciberseguridad y servicios cloud. Ofrecemos soluciones de software a medida y aplicaciones a medida diseñadas para integrar capacidades de IA para empresas, agentes IA y analítica avanzada como Power BI. Si tu proyecto necesita una plataforma sin código o un agente RAG personalizado podemos ayudar a definir el corpus, diseñar la ingestión y desplegar flujos operativos con las garantías de seguridad y cumplimiento que exige cualquier organización. Conectamos el desarrollo a medida con servicios de nube como AWS y Azure y con prácticas de ciberseguridad y pentesting para proteger tus activos.

Si quieres explorar soluciones concretas de desarrollo de software a medida visita nuestra página de servicio sobre aplicaciones a medida Desarrollo de aplicaciones y software multiplataforma y para proyectos centrados en inteligencia artificial revisa nuestra oferta de IA para empresas Servicios de inteligencia artificial. También trabajamos integrando servicios de inteligencia de negocio y Power BI para convertir evidencia en decisiones accionables.

Si estás construyendo tu propio flujo RAG o agentic RAG me interesa saber qué corpus estás usando y dónde falla hoy. Con la combinación adecuada de stack, estructuración de recursos y guardrails puedes resolver problemas que otros chatbots no pudieron. En Q2BSTUDIO diseñamos e implementamos esas soluciones para equipos que necesitan confianza y consistencia en sus datos operativos.