5.17- Agentes Secuenciales con Human‑in‑the‑Loop and self-improving Agentic RAG

Introducción a los Agentes Secuenciales

Los agentes secuenciales son similares al framework multi-agente, pero con una diferencia clave: trabajan en secuencia en lugar de ser coordinados por un «CEO» central.

Diferencias Clave:

• Multi-agente tradicional: Un agente coordinador decide qué trabajador usar y en qué orden
• Agentes secuenciales: Los agentes se ejecutan uno tras otro siguiendo una estructura predefinida

Estructura Básica de un Flujo Secuencial

Componentes Esenciales:

1. Nodo de Inicio (Start) – Siempre requerido
2. Nodo de Fin (End) – Siempre requerido
3. Agentes – Realizan tareas específicas
4. Nodos de Condición – Controlan el flujo de decisiones

Nodos Disponibles:

• Agent (Agente)
• Condition (Condición)
• Condition Agent (Agente de Condición)
• Custom JS Function (Función JS Personalizada)
• Execute Flow (Ejecutar Flujo)
• LLM Node (Nodo LLM)
• Loop (Bucle)
• Start (Inicio)
• State (Estado)
• End (Fin)

Configuración Básica en FlowWise

Paso 1: Estructura Base

[Start] → [Chat Model] → [Agent] → [End]

Paso 2: Configurar el Modelo de Chat

• Seleccionar OpenAI GPT-4 o el modelo preferido
• Configurar temperatura y parámetros
• Añadir credenciales de API

Paso 3: Configurar Memoria (Opcional)

• SQLite Agent Memory (recomendado por simplicidad)
• Alternativas: MySQL, PostgreSQL
• Similar al buffer de memoria de ventana

Paso 4: Configurar Estado (Opcional)

• Almacena información que pasa entre nodos
• Útil para guardar nombres, variables, etc.
• Se actualiza automáticamente con cada mensaje

Implementación de Agentes Secuenciales

Configuración de Agentes

Cada agente puede tener:

• Nombre único
• Prompt del sistema personalizado
• Herramientas específicas (calculadora, APIs, etc.)
• Modelos de chat diferentes
• Configuración de aprobación

Ejemplo de Flujo Múltiple:

[Start] → [Agente 1 (GPT-4)] → [Agente 2 (GPT-4 Mini)] → [Agente 3 (GPT-4 Nano)] → [End]

Humano en el Bucle (Human-in-the-Loop)

¿Qué es?

Sistema que requiere aprobación humana antes de que el agente ejecute ciertas herramientas.

Casos de Uso Prácticos:

• Envío de emails
• Modificación de calendarios
• Acceso a bases de datos
• Llamadas a APIs críticas

Configuración:

1. Activar «Require Approval» en el agente
2. El sistema solicitará permiso antes de usar herramientas
3. El usuario puede aprobar o rechazar la acción

Ventajas:

• Control total sobre acciones automatizadas
• Prevención de errores costosos
• Supervisión de operaciones críticas

Nodos de Condición

Tipos:

1. Condition: Función simple para determinar la ruta
2. Condition Agent: Usa un agente para decidir la ruta

Ejemplo de Uso:

[Agente Principal] → [Nodo Condición] → {
    Si valor > 100 → [Agente A] → [End]
    Si valor ≤ 100 → [Agente B] → [End]
}

Aplicación Práctica – Restaurante:

• Condición: Tipo de consulta del cliente
• Ruta A: Agente especializado en comida
• Ruta B: Agente especializado en reservas

RAG con Humano en el Bucle – Caso Práctico

Arquitectura del Workflow:

[Start] → [Memory] → [State] → [Chat Model] → [Agente 1: Analista Financiero] → [Agente 2: Investigador] → [End]

Componentes:

1. Agente 1 (Analista Financiero):
   • Herramienta: Vector Store (Base de datos vectorial)
   • Contenido: Informes financieros de Apple
   • Embeddings: OpenAI
2. Agente 2 (Investigador):
   • Herramienta: Brave Search API
   • Función: Búsqueda web en tiempo real

Flujo de Trabajo:

1. Usuario hace pregunta
2. Agente 1 evalúa si necesita buscar en la base de datos
3. Sistema pide aprobación al usuario
4. Si se aprueba → busca en vectores
5. Si se rechaza → Agente 2 busca en web
6. Respuesta final al usuario

Ejemplo de Uso:

• Pregunta sobre Bitcoin: Se rechaza búsqueda en datos de Apple → búsqueda web
• Pregunta sobre Apple: Se aprueba búsqueda en base de datos → respuesta de documentos

RAG Agéntico Auto-mejorado

Concepto:

Sistema que mejora automáticamente sus respuestas mediante bucles de retroalimentación.

Arquitectura:

[Start] → [LLM 1] → [Tools] → [LLM 2] → [Condition] → {
    Si respuesta es relevante → [LLM Final] → [End]
    Si respuesta no es relevante → [Loop back to LLM 1]
}

Proceso de Auto-mejora:

1. LLM 1 determina si necesita herramientas
2. Tools ejecutan búsquedas en múltiples bases de datos
3. LLM 2 procesa resultados
4. Condition Node evalúa relevancia
5. Si no es relevante → regresa al paso 1
6. Si es relevante → genera respuesta final

Beneficios:

• Calidad garantizada: Solo entrega respuestas relevantes
• Auto-corrección: Mejora automáticamente las consultas
• Eficiencia: Optimiza el uso de recursos

Mejores Prácticas

Diseño de Workflows:

1. Siempre usar nodos Start y End
2. Nombrar agentes de forma descriptiva
3. Configurar herramientas específicas por agente
4. Usar diferentes modelos según la complejidad

Gestión de Memoria:

• SQLite para simplicidad
• Estado para variables compartidas
• Memoria de agente para contexto persistente

Control de Flujo:

• Humano en el bucle para operaciones críticas
• Nodos de condición para lógica compleja
• Bucles para auto-mejora

Casos de Uso Recomendados

Ideales para Agentes Secuenciales:

• Análisis de documentos con múltiples perspectivas
• Investigación que requiere diferentes fuentes
• Procesos de aprobación con múltiples niveles
• Workflows que necesitan especialización por etapas

Cuándo NO usar:

• Procesos completamente automatizados
• Tareas simples que no requieren múltiples agentes
• Cuando la velocidad es más importante que el control

Conclusión

Los agentes secuenciales ofrecen mayor control y flexibilidad que los sistemas multi-agente tradicionales. Son especialmente útiles cuando necesitas:

• Supervisión humana en puntos críticos
• Especialización por etapas del proceso
• Auto-mejora de respuestas
• Flujos de trabajo estructurados y predecibles

La combinación de humano en el bucle y RAG auto-mejorado crea sistemas robustos y confiables para aplicaciones empresariales críticas.