Un agente que elige dónde buscar.
Un proyecto de José Antonio Gallegos que explora cómo combinar documentos, búsqueda web y modelos de lenguaje dentro de un flujo automatizado.
El problema
Elegir la información adecuada
Una respuesta puede requerir documentos concretos o información reciente. El reto es seleccionar una fuente adecuada y hacer que el flujo sea comprensible.
Mi aporte
Construí un proyecto de aprendizaje con un enrutador en Python y LangGraph, recuperación local con FAISS, búsqueda web mediante SerpAPI y orquestación con n8n. Integré Gemini para elaborar las respuestas.
Cómo se organiza
- 01
Consulta
El usuario plantea una pregunta.
- 02
Enrutador
El flujo decide qué fuente consultar.
- 03
Herramienta
Recupera documentos o utiliza búsqueda web.
- 04
Respuesta
El modelo elabora una respuesta con el contexto.
El proyecto original fue desarrollado en un contexto de aprendizaje. Esta página no afirma que esté desplegado ni expone documentos privados.
Prueba una búsqueda con fuentes
Escribe una pregunta y observa una búsqueda real sobre documentos de demostración, con la fuente elegida y su tiempo de ejecución local.
Prueba «¿Qué fecha requiere una reserva?», «¿Qué novedades tiene Atlas?» o una pregunta sin respuesta.
La búsqueda local funciona en tu navegador y usa dos textos ficticios. Su tiempo corresponde solo a esa búsqueda.
Respuesta con Gemini
Esta opción busca una fuente ficticia y envía tu pregunta y ese fragmento a Google Gemini. No incluyas información sensible. No ejecuta LangGraph ni FAISS.
Descargar demo autónoma · funciona en el navegador sin conexión
Explora el flujo conceptual
Elige un escenario predefinido para ver cómo podría decidir un agente.
Pregunta ficticia
¿Qué necesita una reserva para confirmarse?
Ruta seleccionada · Documentos ficticios
La pregunta se relaciona con el material de ejemplo disponible.
Fuente de demostración
Guía ficticia de reservas: «Para confirmar, la reserva necesita una fecha válida».
Respuesta ilustrativa
Para confirmar una reserva se requiere una fecha válida.
Con respaldo en la fuente seleccionada.
Traza de ejemplo
Qué ocurre en cada etapa
- 0180 ms
Clasificar
Completado
- 02140 ms
Buscar en documentos simulados
Completado
- 03220 ms
Construir respuesta
Completado
Simulación interactiva con respuestas, estados y tiempos predefinidos. No consulta un agente, archivos ni servicios externos; los tiempos no son mediciones reales.
Código y demo independiente
El notebook público contiene el flujo original con LangGraph, FAISS, embeddings de Gemini y búsqueda con SerpAPI. También preparé una demo de terminal independiente con LangGraph, FAISS, pruebas y documentos ficticios.
La demo independiente usa vectores deterministas simples, no embeddings semánticos; Gemini es opcional. El notebook original no fue ejecutado en esta revisión.
Qué demuestra y qué queda por evaluar
Aprendizajes
Integrar recuperación, selección de herramientas y automatización para construir un flujo que pueda explicar de dónde proviene la información.
Límites
La demo combina búsqueda por palabras y Gemini; no ejecuta el proyecto original con LangGraph y FAISS. La simulación no demuestra precisión ni rendimiento en producción.