En un entorno cada vez más impulsado por datos, la capacidad de acceder e interpretar información en un formato legible por personas es un activo diferencial. Poder interactuar con una base de datos en lenguaje natural transforma la forma en que las organizaciones extraen valor de sus datos. En este artículo explicamos cómo construir un agente SQL usando el framework Semantic Kernel para consultar una base de datos PostgreSQL con datos de alquileres de DVD, y cómo integrar ese agente en una solución multagente que también visualice resultados.
Para que el agente genere y ejecute sentencias SQL es recomendable encapsular la lógica de acceso a datos en plugins. El primer plugin que describimos actúa como puente entre el agente y PostgreSQL: recibe una consulta SQL, la limpia de caracteres innecesarios y la ejecuta conectándose con la base de datos, devolviendo los resultados en formato legible. Esta abstracción separa la responsabilidad de formatear y ejecutar consultas de la tarea del agente, que se concentra en entender la intención del usuario y construir la consulta adecuada.
El segundo plugin recupera el esquema de la base de datos, consultando information_schema.columns para listar esquemas, tablas, columnas y tipos de datos. Disponer de esta información es crítico para que el agente construya consultas válidas y complejas, evitando referencias a columnas inexistentes y permitiendo sugerencias más precisas al formular SQL en lenguaje natural.
Con los plugins disponibles, se pueden definir agentes en Semantic Kernel. Existen distintas variantes según el caso de uso: Azure AI Agent para integraciones empresariales con observabilidad y herramientas adicionales, Chat Completion Agent optimizado para respuestas conversacionales y Azure Assistant Agent que permite capacidades avanzadas como Code Interpreter y búsqueda de archivos. En el ejemplo práctico usamos un Chat Completion Agent para generar y ejecutar las consultas SQL y un Azure Assistant Agent equipado con un intérprete de código para procesar y visualizar los datos recibidos.
La definición del agente incluye instrucciones claras que guían su comportamiento: cuándo consultar el esquema, cómo identificar tablas y columnas relevantes, generar la sentencia SQL y ejecutar la consulta mediante el plugin correspondiente. También es recomendable proporcionar ejemplos tipo one shot o few shot y contexto temporal explícito cuando la consulta dependa de fechas actuales, para evitar ambigüedades y obtener resultados coherentes.
Para la visualización, otro agente puede recibir los datos en JSON, parsearlos con Python y generar gráficos guardados como imágenes. Este agente debe seguir un flujo que incluya analizar el JSON, ejecutar el código necesario para crear la gráfica, guardar el archivo PNG y devolver una referencia al mismo. Orquestar ambos agentes en un chat de grupo permite que el control pase de uno a otro de forma controlada, definiendo estrategias de selección y condiciones de terminación que indiquen cuándo la tarea ha concluido, por ejemplo cuando se sube una imagen o se proporciona la respuesta final en formato markdown.
Un ejemplo práctico de uso permite preguntar en lenguaje natural cosas como qué ingresos totales se han generado y su desglose por categoría de película, y recibir tanto la cifra agregada como un gráfico con el reparto por categorías. Gracias a este enfoque, usuarios no técnicos obtienen insights inmediatos sin necesidad de escribir SQL, mientras que la solución mantiene trazabilidad y seguridad a nivel empresarial usando el ecosistema de Semantic Kernel.
En Q2BSTUDIO diseñamos e implementamos soluciones similares adaptadas a necesidades concretas. Somos una empresa de desarrollo de software y aplicaciones a medida, especialistas en inteligencia artificial, ciberseguridad y servicios cloud AWS y Azure. Podemos ayudar a integrar agentes IA con pipelines de datos, crear plugins personalizados para conectar con bases de datos y orquestar visualizaciones con herramientas de inteligencia de negocio como Power BI. Si buscas desarrollar una solución de software a medida visita Desarrollo de aplicaciones multiplataforma y si tu prioridad es aprovechar IA en la empresa conoce nuestros servicios de inteligencia artificial en Inteligencia artificial para empresas.
Los beneficios de implementar un sistema multagente con Semantic Kernel incluyen mayor accesibilidad a los datos, reducción de la dependencia de personal técnico para consultas ad hoc, y la capacidad de añadir controles de seguridad y auditoría a las operaciones SQL. Además, combinando estos agentes con prácticas de ciberseguridad y pruebas de penetración podemos asegurar que las conexiones a bases de datos y las APIs estén protegidas contra uso indebido.
Palabras clave relevantes para posicionamiento: aplicaciones a medida, software a medida, inteligencia artificial, ciberseguridad, servicios cloud aws y azure, servicios inteligencia de negocio, ia para empresas, agentes IA, power bi. Estas palabras reflejan las áreas en las que Q2BSTUDIO ofrece servicios integrales.
Si te interesa una demostración o un proyecto a medida en el que integremos agentes conversacionales que generen SQL desde lenguaje natural y además automaticen visualizaciones y reporting, contacta con nuestro equipo para definir alcance, arquitectura y plan de implementación. En Q2BSTUDIO transformamos datos en valor mediante soluciones personalizadas que combinan desarrollo de software, inteligencia artificial y seguridad.
