Saltar a contenido

Módulo 5 – Construir tu sistema

RAG, agentes y APIs: la capa técnica para quienes quieran ir más allá

Este módulo es una profundización opcional

Todo lo que necesitas para usar IA de forma profesional ya lo cubrieron los módulos 1 a 4. Este módulo es para quienes quieran entender — y eventualmente construir — la infraestructura técnica que hay detrás de los asistentes y los flujos automáticos. Lo presentamos a través del prisma de AI-assisted development: no se escribe código a mano, se le describe al asistente lo que se necesita.

1. RAG: hacer que la IA lea TUS documentos

En el módulo 3 creaste un asistente con documentos usando plataformas como GPTs o Claude Projects. Eso funciona, pero tiene limitaciones: dependes del proveedor, no controlas cómo se indexa la información y no puedes conectarlo con tus propios sistemas.

Un RAG (Retrieval-Augmented Generation) es la forma profesional de resolver esto. El concepto es sencillo:

  1. Ingesta: tomas tus documentos (PDFs, Word, emails) y los divides en fragmentos.
  2. Indexación: cada fragmento se convierte en una representación numérica (embedding) y se guarda en una base de datos vectorial.
  3. Consulta: cuando haces una pregunta, se buscan los fragmentos más relevantes.
  4. Generación: esos fragmentos se envían al modelo junto con tu pregunta, para que responda basándose en ellos.

Es como tener un asistente que primero busca en tu archivador y luego te responde con lo que encontró.

Observación práctica

Lo que distingue un RAG útil de un RAG frustrante es la calidad de la indexación, no la potencia del modelo. Si los fragmentos están mal cortados o los documentos son demasiado genéricos, la búsqueda devuelve ruido. Empieza con documentos bien estructurados y fragmentos pequeños (300-500 palabras).

Profundiza: ejemplo de flujo RAG

Con un AI coding assistant como Claude Code, puedes describir:

"Quiero un sistema que lea todos los PDFs de la carpeta informes/, los indexe en una base vectorial local y me permita hacerles preguntas en lenguaje natural."

El asistente generará el código necesario: carga de documentos, division en fragmentos, generación de embeddings (con OpenAI o con un modelo local), almacenamiento en una base como FAISS o LanceDB, y una interfaz de consulta.

Tecnologías habituales:

  • Embeddings: OpenAI, Ollama (local), Sentence Transformers
  • Base vectorial: FAISS, LanceDB, Chroma, Pinecone
  • Frameworks: LangChain, LlamaIndex (opcionales — con AI coding assistants muchas veces es más directo ir sin framework)

2. Agentes: IA que decide qué herramienta usar

Un agente no es un modelo más inteligente. Es un modelo con permiso para actuar: puede elegir entre varias herramientas según lo que le pidas.

Ejemplo: - Le preguntas: "¿Qué dice el contrato sobre las penalizaciones?" → El agente decide usar la herramienta "buscar en documentos" (RAG). - Le preguntas: "¿Cuál es el tipo de cambio EUR/USD hoy?" → El agente decide usar la herramienta "buscar en web".

El agente analiza tu instrucción, elige la herramienta adecuada, la ejecuta y te devuelve el resultado. Esto es lo que hay detrás de los "agentes de IA" de los que habla todo el mundo.

Aplicaciones prácticas: - Un asistente de proyecto que decide si buscar un dato en los informes internos o en el correo del cliente. - Un chatbot de soporte que primero consulta el RAG y, si no encuentra, escala a un humano. - Un gestor de tareas que clasifica la entrada y la redirige al flujo correcto.

Profundiza: cómo funciona un agente

El patrón básico de un agente:

  1. El modelo recibe tu instrucción.
  2. Analiza las herramientas disponibles (cada una tiene una descripción).
  3. Elige una y la ejecuta.
  4. Recibe el resultado y genera la respuesta final.

Con AI coding assistants, puedes construir un agente describiendo: "Quiero un agente que tenga acceso a dos herramientas: buscar en mis documentos y buscar en la web. Que elija la correcta según la pregunta."

Tecnologías habituales:

  • MCP (Model Context Protocol): el estándar para conectar herramientas al modelo.
  • Claude Agent SDK: framework de Anthropic para construir agentes.
  • LangGraph: framework de LangChain para agentes con flujo de estado.

3. APIs: conectar tu sistema al mundo

Una API es la forma de hacer que tu sistema sea accesible desde otros programas. En la práctica, si quieres que tu RAG o tu agente sea utilizable desde n8n, Make o cualquier otra herramienta, necesitas exponerlo como una API.

El concepto es simple: - Creas un servicio que escucha peticiones en una URL. - Alguien (una persona, un flujo, otra aplicación) envía una pregunta a esa URL. - Tu sistema procesa la pregunta y devuelve la respuesta.

Profundiza: ejemplo con FastAPI

Con un AI coding assistant, puedes describir:

"Quiero exponer mi RAG como una API. Que tenga un endpoint /query que reciba una pregunta y devuelva la respuesta en JSON."

El asistente generará algo así: 

from fastapi import FastAPI, Query
app = FastAPI(title="RAG API")

@app.get("/query")
def query_docs(q: str = Query(...)):
    answer = rag_pipeline.query(q)
    return {"question": q, "answer": answer}

Ejecutas con python main.py y ya tienes un servicio al que puedes llamar desde n8n con un nodo HTTP Request.

4. Lo que se puede construir hoy

Combinando RAG, agentes y APIs, un profesional con un AI coding assistant puede construir sistemas que antes requerían un equipo de desarrollo:

  • Búsqueda semántica sobre correos y documentos — todo indexado localmente, sin subir datos a la nube.
  • Asistente de proyecto que conoce los entregables, el contrato, las actas de reunión y los correos del cliente.
  • Sistema de alertas que monitoriza KPIs desde una base de datos y notifica cuando algo se desvía.
  • Dashboard conversacional donde preguntas en lenguaje natural sobre los datos de tu organización.

Observación práctica

La tentación es construir "el sistema completo" desde el principio. En la práctica, los sistemas que funcionan se construyen pieza a pieza: primero un RAG simple sobre 10 documentos, luego un agente que elige entre el RAG y otra fuente, luego una API para conectarlo con el flujo de n8n. Cada pieza se prueba antes de añadir la siguiente.

5. Publicar y compartir

Una vez que tienes un prototipo funcionando, las formas más comunes de compartirlo son:

Nivel Qué haces Cuándo usarlo
GitHub Subes el proyecto con README e instrucciones Para revisión o trabajo en equipo
API local Lo expones como servicio en tu máquina Para conectarlo con n8n, Make o Zapier
Despliegue Lo pones en un servidor (Render, Railway) Si necesitas acceso externo permanente

Reglas esenciales: - Nunca publiques tu .env ni tus credenciales. - Usa datos de prueba o anonimizados en los ejemplos. - Documenta cómo replicarlo: qué instalar, qué configurar, cómo probar.

Alerta de privacidad

Si despliegas un RAG con documentos reales en un servidor externo, esos documentos están fuera de tu control. Para datos sensibles, mantén todo local o usa infraestructura de tu organización.

6. Cierre y aprendizajes clave

  • RAG es la forma profesional de hacer que la IA responda sobre tus documentos, con control total sobre la indexación y la privacidad.
  • Los agentes añaden una capa de decisión: la IA elige qué herramienta usar según la pregunta.
  • Las APIs permiten conectar tu sistema con el resto del mundo.
  • Con AI coding assistants, todo esto se construye describiendo lo que necesitas, no escribiendo código desde cero.
  • La clave es ir pieza a pieza, probando cada componente antes de añadir el siguiente.

Resumen del módulo

Entiendes los tres pilares técnicos de un sistema de IA profesional: RAG (dar contexto), agentes (dar capacidad de acción) y APIs (dar acceso). Sabes que con un AI coding assistant puedes construir estos componentes sin programar desde cero, y conoces las decisiones de privacidad y arquitectura que implica cada uno.

Para profundizar

En el Módulo 6 veremos cómo evaluar, documentar y escalar lo que has construido para que funcione más allá de tu portátil.