📄️ RAG
Los Grandes Modelos de Lenguaje (LLMs) han desbloqueado el potencial de crear chatbots avanzados de preguntas y respuestas capaces de ofrecer respuestas precisas basadas en contenido específico. Estos sistemas se basan en un método llamado Generación Aumentada por Recuperación (RAG), que mejora sus respuestas al fundamentarlas en material fuente relevante.
📄️ Agentic RAG
El Agentic RAG es un enfoque basado en agentes para realizar RAG de manera orquestada. Puede implicar la recuperación de datos de diversas fuentes de documentos, la comparación de resúmenes y la implementación de un mecanismo automático de autocorrección.
📄️ SQL Agent
Este tutorial te guiará para construir un Agente SQL inteligente que pueda interactuar con bases de datos, generar consultas SQL, validarlas, ejecutarlas y autocorregirse cuando ocurran errores.
📄️ Agent as Tool
En este tutorial, vamos a analizar cómo aprovechar otros flujos como herramientas para un Agente padre. Este enfoque te permite crear un agente parental que pueda delegar tareas específicas a agentes infantiles especializados.
📄️ Interacción con la API
Casi todas las aplicaciones web dependen de las APIs RESTful. Permitir que los LLM interactúen con ellas expande su utilidad práctica.
📄️ Herramientas y MCP
En el tutorial anterior de Interactuando con la API, exploramos cómo permitir que los LLM llamen a APIs externas. Para mejorar la experiencia del usuario, Daiana proporciona una lista de herramientas preconstruidas. Consulte la sección de Herramientas para ver la lista completa de integraciones disponibles.
📄️ Structured Output
En numerosos casos de uso, como los chatbots, se espera que los modelos respondan a los usuarios en lenguaje natural. Sin embargo, hay situaciones en las que las respuestas en lenguaje natural no son ideales. Por ejemplo, si necesitamos tomar la salida del modelo y pasarla como el cuerpo de una solicitud HTTP, o almacenarla en una base de datos, es esencial que la salida se ajuste a un esquema predefinido. Este requisito da lugar al concepto de salida estructurada (structured output), donde los modelos son guiados para generar respuestas en un formato específico y estructurado.
📄️ Human In The Loop
En los tutoriales anteriores, exploramos cómo un Agente puede usar herramientas dinámicamente para responder consultas o completar tareas asignadas. El concepto de Humano en el Bucle (Human-in-the-loop) añade una capa de control al permitir que el Agente solicite la intervención, aprobación o comentarios de una persona antes de continuar.
📄️ Deep Research
El Agente de Investigación Profunda (Deep Research Agent) es un sistema multi-agente sofisticado que puede realizar investigaciones exhaustivas sobre cualquier tema. Para ello, desglosa consultas complejas en tareas manejables, despliega agentes de investigación especializados y sintetiza los hallazgos en informes detallados.
📄️ Customer Support
La atención al cliente es uno de los mayores casos de uso de la IA en la actualidad. Sin embargo, muchas personas tienden a complicarlo demasiado introduciendo múltiples agentes. En muchos casos, se puede lograr el resultado deseado con un solo agente, siempre que se cuente con un mensaje de sistema bien elaborado, herramientas cuidadosamente seleccionadas y una base de conocimientos curada. Una arquitectura de múltiples agentes suele ser necesaria solo si su sistema necesita manejar una amplia gama de áreas de soporte. Por ejemplo, podría tener un agente de RR.HH. que gestione las políticas de recursos humanos y ejecute tareas como el envío de solicitudes de licencia o la actualización de registros de empleados, y un agente de finanzas que maneje reembolsos, devoluciones y otras consultas relacionadas con las finanzas.
📄️ Supervisor and Workers
La atención al cliente es uno de los mayores casos de uso de la IA en la actualidad. Sin embargo, muchas personas tienden a complicarlo demasiado introduciendo múltiples agentes. En muchos casos, se puede lograr el resultado deseado con un solo agente, siempre que se cuente con un mensaje de sistema bien elaborado, herramientas cuidadosamente seleccionadas y una base de conocimientos curada. Una arquitectura de múltiples agentes suele ser necesaria solo si su sistema necesita manejar una amplia gama de áreas de soporte. Por ejemplo, podría tener un agente de RR.HH. que gestione las políticas de recursos humanos y ejecute tareas como el envío de solicitudes de licencia o la actualización de registros de empleados, y un agente de finanzas que maneje reembolsos, devoluciones y otras consultas relacionadas con las finanzas.