Tu primer Agente Elastic: De una sola consulta a un chat impulsado por IA

Elasticsearch tiene integraciones nativas con las herramientas y proveedores líderes en la industria de IA generativa. Echa un vistazo a nuestros webinars sobre cómo ir más allá de los conceptos básicos de RAG o crear apps listas para la producción con la base de datos vectorial de Elastic.

Para crear las mejores soluciones de búsqueda para tu caso de uso, inicia una prueba gratuita en el cloud o prueba Elastic en tu máquina local ahora mismo.

Con el nuevo Agent Builder de Elastic, puedes crear agentes de IA especializados que actúen como expertos para tus dominios de negocio específicos. Esta función te lleva más allá de simples paneles de control y barras de búsqueda, transformando tus datos de un recurso pasivo en un interlocutor activo y conversacional.

Imagina a un gestor financiero que necesita poner al día antes de una reunión con un cliente. En lugar de buscar manualmente en los feeds de noticias y cruzar paneles de cartera, ahora pueden simplemente hacerle una pregunta directa a su agente personalizado. Esta es el beneficio de un enfoque de "charla primero". El responsable tiene una línea directa y conversacional con sus datos, preguntando cosas como: "¿Cuáles son las últimas noticias sobre ACME Corp y cómo afecta a las participaciones de mi cliente?" y obtener una respuesta experta y sintetizada en segundos.

Aunque hoy estamos formando un experto financiero, las aplicaciones son tan variadas como tus datos. El mismo poder puede crear un analista de ciberseguridad para buscar amenazas, un ingeniero de fiabilidad del sitio para diagnosticar una caída o un responsable de marketing para optimizar una campaña. Sea cual sea el ámbito, la misión principal es la misma: transformar tus datos en un especialista con el que puedas hablar.

Paso 0: Nuestro conjunto de datos

Nuestro conjunto de datos actual es un conjunto de datos sintético (falso) basado en finanzas que consiste en cuentas financieras, posiciones de activos, noticias e reportes financieros. Aunque sintética, replica una versión simplificada de un conjunto de datos financiero real.

Nuestro conjunto de datos es un conjunto de datos financiero sintético que incluye cuentas financieras, posiciones de activos, noticias e reportes financieros. Aunque sintética, es una réplica simplificada de un conjunto de datos financiero real.

financial_accounts: Carteras de clientes con perfiles de riesgo

financial_holdings: Posiciones en acciones/ETF/bonos con historial de compras

financial_asset_details: Detalles sobre la acción/ETF/bono

financial_news: Artículos de mercado generados por IA con análisis de sentimiento

financial_reports: Notas de resultados y analistas de la compañía

Puedes cargar este conjunto de datos tú mismo siguiendo el cuaderno adjunto que se encuentra aquí.

Paso 1: La Fundación — Tu lógica empresarial como ES|QL

Cada habilidad de IA empieza con una buena lógica. Para nuestro agente de Gestor Financiero, tenemos que mostrarle cómo responder a una pregunta común: "Me preocupa el sentimiento del mercado. ¿Puede mostrarme cuáles de nuestros clientes están más en riesgo por malas noticias?" Esta pregunta va más allá de una simple búsqueda. Nos obliga a correlacionar el sentimiento del mercado con las carteras de clientes.

Necesitamos encontrar los activos mencionados en artículos negativos, identificar a cada cliente que posee esos activos, calcular el valor de mercado actual de su exposición y luego clasificar los resultados para priorizar el mayor riesgo. Este análisis complejo y multi-join es el trabajo perfecto para nuestro avanzado ES|Herramienta QL.

Aquí está la consulta completa que usaremos. Parece impresionante, pero los conceptos son sencillos.

Desglosándolo: uniones y barreras de seguridad

Hay dos conceptos importantes en juego en esta consulta que hacen que el Constructor de Agentes sea un

1. La unión LOOKUP

Durante años, una de las funciones más aplicar en Elasticsearch fue la capacidad de unir datos de diferentes índices basar en una clave común. Con ES|QL, eso ahora es posible con LOOKUP JOIN.

En nuestra nueva consulta, realizamos una cadena de tres LOOKUP JOIN: primero conectando noticias negativas con detalles de activos, luego vinculando esos activos con las tenencias del cliente y, finalmente, conectando con la información de la cuenta del cliente. Esto genera un resultado increíblemente rico a partir de cuatro índices diferentes en una sola consulta eficiente. Esto significa que podemos combinar conjuntos de datos dispares para crear una única respuesta perspicaz sin tener que desnormalizar todos nuestros datos en un único índice gigante previamente.

2. Parámetros como barreras de seguridad de los LLM

Verás que la consulta usa ?time_duration. Esto no es solo una variable; es una barrera de seguridad para la IA. Aunque los Grandes Modelos de Lenguaje (LLM) son excelentes generando consultas, dejarles tener libertad total sobre tus datos puede llevar a consultas ineficientes o incluso incorrectas.

Al crear una consulta parametrizada, obligamos al LLM a trabajar dentro de la lógica de negocio probada, eficiente y correcta que un experto humano ya definió. Es similar a cómo los desarrolladores usaron plantillas de búsqueda durante años para exponer de forma segura las capacidades de consulta a las aplicaciones. El agente puede interpretar la petición de un usuario como "esta semana" para completar el parámetro time_duration , pero debe usar nuestra estructura de consulta para obtener la respuesta. Esto nos da el equilibrio perfecto entre flexibilidad y control.

En última instancia, esta consulta permite a un experto que entiende los datos encapsular su conocimiento en una herramienta. Otras personas—y agentes de IA—pueden entonces usar esa herramienta para obtener resultados correlacionados simplemente proporcionando un único parámetro, sin necesidad de saber nada sobre la complejidad subyacente.

Paso 2: La habilidad — Convertir una consulta en una herramienta reutilizable

Un ES|La consulta QL es solo texto hasta que la registramos como herramienta. En el Constructor de Agentes, una herramienta es más que una consulta almacenada; es una "habilidad" que un agente de IA puede entender y elegir usar. La magia está en la descripción en lenguaje natural que proporcionamos. Esta descripción es el puente que conecta la pregunta del usuario con la lógica de consulta subyacente. Vamos a registrar la consulta que acabamos de crear.

La ruta de la interfaz

Crear una herramienta en Kibana es un proceso sencillo.

1. Navegar hacia los agentes

• Haz clic en Herramientas o Gestionar herramientas y haz clic en el botón Nueva herramienta .

2. Rellena el formulario con los siguientes detalles:

• ID de herramienta: find_client_exposure_to_negative_news

Yo. Este es el ID único de la herramienta

• Descripción: "Encuentra exposición a la cartera de clientes a noticias negativas. Esta herramienta escanea noticias y reportajes recientes en busca de sentimiento negativo, identifica el activo asociado y localiza a todos los clientes que lo poseen. Devuelve una lista ordenada según el valor de mercado actual de la posición para resaltar el mayor riesgo potencial."

Yo. Esto es lo que lee el LLM para decidir si esta herramienta es la adecuada para el trabajo.

• Etiquetas: retrieval y risk-analysis

Las etiquetas se emplean para ayudar a agrupar varias herramientas

• Configuración: Pega el ES| completoConsulta QL desde el Paso 1

Yo. Esta es la búsqueda que usará el agente

3. Haz clic en Inferir parámetros desde la consulta. La interfaz automáticamente lo encontrará ?time_duration lo listará a continuación. Agrega una descripción sencilla para cada uno para ayudar al agente (y a otros usuarios) a entender su propósito.

• time_duration: El plazo para buscar noticias negativas. El formato es "X horas" POR DEFECTO a 8760 horas

4. ¡Pruébalo!

• Haz clic en Almacenar y probar.

• Verás un nuevo flyout donde puedes probar la consulta para cerciorarte de que funciona como se espera.

Yo. En time_duration entrar en el rango deseado, aquí estamos usando "8760 horas"

• Haz clic en "Enviar" y si todo va bien, verás una respuesta en JSON. Para cerciorarte de que funciona como esperas, desplázate hacia abajo y mira el objeto values . Ahí es donde se devuelven los documentos realmente coincidentes.

5. Haz clic en la "X" en la esquina superior derecha para cerrar el desplegable de prueba. Tu nueva herramienta aparecerá ahora en la lista, lista para ser asignada a un agente.

La ruta API

Para desarrolladores que prefieren la automatización o necesitan gestionar herramientas programáticamente, puedes lograr el mismo resultado con una sola llamada a la API. Solo tienes que enviar una petición POST al endpoint /api/agent_builder/tools con la definición de la herramienta.

Paso 3: Las Mentes — Creando a tu Agente Personalizado

Creamos una habilidad reutilizable (la Herramienta). Ahora, necesitamos crear al Agente, la persona que realmente lo usará. Un Agente es la combinación de un LLM, un conjunto específico de herramientas a las que le concedes acceso y, lo más importante, un conjunto de Instrucciones Personalizadas que actúan como su constitución, definiendo su personalidad, reglas y propósito.

El arte del prompt

La parte más importante para crear un agente fiable y especializado es la rapidez. Un conjunto de instrucciones bien elaborado es la diferencia entre un chatbot genérico y un asistente profesional y enfocado. Aquí es donde pones las barreras de seguridad, defines la salida y le das al agente su misión.

Para nuestro agente de Financial Manager , usaremos el siguiente prompt.

Vamos a desglosar por qué este prompt es tan efectivo:

• Define una personalidad sofisticada: La primera línea establece inmediatamente al agente como un "asistente especializado en inteligencia de datos", estableciendo un tono profesional y capaz.
• Proporciona un marco de razonamiento: Al decirle al agente que "Comprenda, Planee, Ejecute y Sintetice", le estamos dando un procedimiento operativo estándar. Esto mejora su capacidad para manejar preguntas complejas y de varios pasos.
• Promueve el diálogo interactivo: La instrucción de "hacer preguntas aclaratorias" hace que el agente sea más robusto. Minimizará suposiciones incorrectas en solicitudes ambiguas, lo que conducirá a respuestas más precisas.

La ruta de la interfaz

1. Navega hacia los agentes.

• Haz clic en Herramientas o Gestionar herramientas y haz clic en el botón Nueva herramienta .

2. Rellena los datos básicos:

• ID del agente: financial_assistant.
• Instrucciones: Copia el prompt de arriba.
• Etiquetas: Finance.
• Nombre de visualización: Financial Assistant.
• Descripción de la pantalla: An assistant for analyzing and understanding your financial data.

3. Al principio, haz clic en Herramientas.

• Marca la casilla junto a nuestra herramienta de find_client_exposure_to_negative_news .

4. Haz clic en almacenar.

La ruta API

Puedes crear exactamente el mismo agente con una petición POST al endpoint /api/agent_builder/agents . El cuerpo de la solicitud contiene toda la misma información: el ID, el nombre, la descripción, el conjunto completo de instrucciones y una lista de herramientas que el agente puede emplear.

Paso 4: La recompensa — Mantener una conversación

Tenemos nuestra lógica de negocio encapsulada en una herramienta y un "cerebro" listo para usarla en nuestro Agente. Es hora de ver cómo todo encaja. Ahora podemos empezar a chatear con nuestros datos usando un agente especializado.

La ruta de la interfaz

1. Navega hacia Agentes en Kibana.
2. Usando el desplegable en la esquina inferior derecha de la ventana de chat, cambia del agente de IA de Elastic por defecto a nuestro recién creado agente de Asistente Financiero .
3. Haz una pregunta que permita al agente emplear nuestra herramienta especializada:
   1. Me preocupa el sentimiento del mercado. ¿Puede mostrarme cuáles de nuestros clientes están más en riesgo por malas noticias?

Tras unos momentos, el agente devolverá una respuesta perfectamente formateada y completa. Debido a la naturaleza de los LLM, tu respuesta puede estar formateada de forma ligeramente diferente, pero para esta ejecución, el agente devolvió:

¿Lo que acaba de pasar? El razonamiento del agente

El agente no solo "sabía" la respuesta. Ejecutó un plan de varios pasos centrado en seleccionar la mejor herramienta para el trabajo. Aquí tienes un vistazo a su proceso de pensamiento:

• Intención identificada: Relacionó palabras clave de tu pregunta, como "riesgo" y "noticias negativas", con la descripción de la herramienta find_client_exposure_to_negative_news .
• Ejecutó un plan: Extrajo el plazo de tu solicitud y realizó una única llamada a esa herramienta especializada.
• Delegado el trabajo: La herramienta realizaba entonces todo el trabajo pesado: las uniones encadenadas, los cálculos de valor y la clasificación.
• Sintetizamos el resultado: Finalmente, el agente formateaba los datos en bruto de la herramienta en un resumen claro y legible para humanos, siguiendo las reglas de su prompt.

Y no tenemos que adivinar si ampliamos el pensamiento y vemos más detalles.

La ruta API

Puedes iniciar esta misma conversación de forma programática. Solo tienes que enviar la pregunta de entrada al endpoint de la API de converse , cerciorándote de especificar el agent_id de nuestro financial_manager.

Para los desarrolladores: Integración con la API

Aunque la interfaz Kibana ofrece una experiencia fantástica e intuitiva para construir y gestionar tus agentes, todo lo que viste hoy también puede realizar de forma programática. El Constructor de Agentes está construido sobre un conjunto de APIs que te permiten integrar esta funcionalidad directamente en tus propias aplicaciones, canalizaciones CI/CD o scripts de automatización.

Los tres endpoints principales con los que trabajarás son:

• /api/agent_builder/tools: El punto final para crear, listar y gestionar las habilidades reutilizables que tus agentes pueden emplear.
• /api/agent_builder/agents: El punto final para definir las personas de tus agentes, incluyendo sus instrucciones y asignaciones de herramientas tan importantes.
• /api/agent_builder/converse: El punto final para interactuar con tus agentes, iniciar conversaciones y obtener respuestas.

Para una guía completa y práctica sobre cómo usar estas APIs para realizar cada paso de este tutorial, consulta el Jupyter Notebook que lo acompaña disponible aquí en nuestro repositorio de GitHub.

Conclusión: Tu turno de construir

Empezamos haciendo un ES|Consulta QL y transformarla en una habilidad reutilizable. Luego creamos un agente de IA especializado, dándole una misión y reglas claras, y lo empoderamos con esa habilidad. El resultado es un asistente sofisticado que puede entender una pregunta compleja y ejecutar un análisis en varios pasos para ofrecer una respuesta precisa y basada en datos.

Este flujo de trabajo está en el corazón del nuevo Constructor de Agentes en Elastic. Está diseñado para ser lo suficientemente sencillo para que usuarios no técnicos creen agentes a través de la interfaz, pero lo bastante matizado para que los desarrolladores puedan crear aplicaciones personalizadas impulsadas por IA sobre nuestras APIs. Lo más importante es que te permite conectar de forma segura y protegida los LLMs con tus propios datos, regidos por la lógica experta que defines, y chatear con tus datos.

¿Listo para usar Agentes para chatear con tus datos?

La mejor manera de consolidar lo que aprendiste es ensuciarte las manos. Prueba todo lo que comentamos hoy en nuestro taller práctico gratis e interactivo. Vas a pasar por todo este flujo y más en un entorno sandbox dedicado.

En un futuro blog, te mostraremos cómo usar una aplicación independiente que interactúa con nuestro agente Financial Assistant y nos adentraremos en el Protocolo de Contexto del Modelo (MCP) que lo hace todo posible. Y en un blog aparte hablaremos del soporte de Agent Builder para el protocolo en desarrollo Agent2Agent, o A2A.

¡Estad atentos y feliz construcción!