En este artículo explicamos cómo crear un agente de IA de atención al cliente que combina datos estructurados, conocimiento no estructurado y llamadas a sistemas en vivo usando smolagents y InterSystems IRIS. El agente responde preguntas reales como donde está mi pedido 1001 o cuál es la ventana de devoluciones combinando SQL para tablas, Vector Search para RAG y un endpoint de envío simulado por Interoperability.
Arquitectura a grandes rasgos: el usuario interactúa con un CodeAgent de smolagents que planifica y ejecuta pasos usando tres herramientas principales: una herramienta SQL que consulta tablas de clientes, pedidos, productos y envíos en IRIS; una herramienta RAG que recupera fragmentos embebidos desde IRIS Vector Search; y una herramienta de envío que llama al mock API de Interoperability y puede inspeccionarse con Visual Trace en el Portal.
Qué vas a construir: un agente de atención al cliente capaz de consultar datos estructurados mediante SQL, recuperar conocimiento no estructurado mediante RAG y Vector Search, y llamar a un servicio de envío simulado con trazabilidad visual. Esto se puede orquestar desde Python con smolagents, desplegando InterSystems IRIS en Docker, cargando el esquema y datos de ejemplo, embebiendo documentos para RAG, registrando herramientas y ejecutando el agente desde CLI o una interfaz Gradio.
Requisitos previos: Python 3.9 o superior, Docker para ejecutar IRIS en contenedor, un editor como VS Code para revisar el código y una clave de API de OpenAI para LLM y embeddings o una alternativa local como Ollama.
Pasos resumidos: clonar el repositorio con git clone https://github.com/intersystems-ib/customer-support-agent-demo y preparar el entorno virtual python -m venv .venv seguido de activar el entorno e instalar dependencias pip install -r requirements.txt. Copiar el archivo de entorno cp .env.example .env y añadir la clave de OpenAI.
Iniciar InterSystems IRIS en Docker con docker compose build y docker compose up -d y abrir el Management Portal en el puerto correspondiente. Cargar la estructura y datos SQL desde los archivos provided en el contenedor o desde SQL Explorer usando comandos LOAD SQL FROM FILE para schema y datos de ejemplo. Ejecutar consultas de prueba como SELECT desde Agent_Data.Customers o JOIN entre Orders y Products para validar que la parte estructurada funciona.
Agregar conocimiento no estructurado a Vector Search creando una configuración de embeddings en IRIS y ejecutando el script de embebido incluido python scripts/embed_sql.py. Verificar que las tablas de fragmentos y embeddings contienen filas. Un punto clave es que IRIS permite realizar búsquedas semánticas directamente en SQL mediante la función EMBEDDING y operaciones vectoriales como VECTOR_DOT_PRODUCT, lo que facilita hacer búsquedas híbridas que combinen filtros tradicionales y ranking semántico en una sola consulta.
Conectar un API de envío simulado usando Interoperability para exponer un endpoint como /api/shipping/status y probarlo con curl o peticiones HTTP para simular estados de envío. Usar Visual Trace en el Portal para inspeccionar el flujo de mensajes y depurar integraciones.
El agente en Python está compuesto por un bootstrap que instancia un CodeAgent y registra herramientas: agent/tools/sql_tool.py para consultas parametrizadas, agent/tools/rag_tool.py para búsquedas vectoriales y recuperación de fragmentos, y agent/tools/shipping_tool.py para llamadas a Interoperability. El CodeAgent planifica pasos en forma de pequeños fragmentos de código y llama a las herramientas necesarias para resolver la pregunta del usuario.
Ejecuta pruebas rápidas con ejemplos de mensajes como Where is my order 1001 o Was my headphones order delivered and what is the return window mediante el CLI o lanza la UI con Gradio python -m ui.gradio y abre la interfaz web. El flujo del agente es: planificar cómo resolver la pregunta, ejecutar consultas SQL cuando se requiera información estructurada, ejecutar RAG para documentos y políticas, llamar al API de envío para obtener estado en tiempo real y finalmente sintetizar una respuesta clara y útil.
Por qué esto es valioso: la combinación de razonamiento LLM mediante smolagents con la potencia de IRIS para SQL, Vector Search y Interoperability ofrece una solución compacta y extensible para agentes IA que requieren acceso a datos transaccionales, documentos y sistemas en vivo sin necesidad de microservicios adicionales para vector search.
En Q2BSTUDIO somos una empresa de desarrollo de software especializada en aplicaciones a medida y software a medida, con amplia experiencia en inteligencia artificial y soluciones empresariales. Podemos ayudarte a implementar agentes IA para empresas que integren datos internos, bases SQL, búsquedas semánticas y llamadas a APIs con trazabilidad. Si buscas servicios de inteligencia artificial para tu organización visita nuestra sección dedicada a IA en soluciones de inteligencia artificial y para proyectos de aplicaciones y software a medida conoce nuestras capacidades en desarrollo de aplicaciones y software multiplataforma.
También ofrecemos servicios complementarios clave para desplegar y asegurar este tipo de soluciones, incluyendo ciberseguridad y pentesting, servicios cloud AWS y Azure, y proyectos de inteligencia de negocio y Power BI para explotar los datos que el agente utiliza. Palabras clave relevantes para mejorar 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.
Resumen final: con smolagents y InterSystems IRIS puedes montar un agente de atención al cliente capaz de orquestar SQL, RAG y llamadas a sistemas externos de forma modular y efectiva. En Q2BSTUDIO diseñamos e implementamos estas soluciones a medida, integrando seguridad, despliegue cloud y analítica para que tu agente IA aporte valor desde el primer día.
.jpg)
.jpg)
