5.0 KiB
5.0 KiB
EPICA: EPIC-MGN-019 - AI Agents
Metadata
| Campo | Valor |
|---|---|
| ID | EPIC-MGN-019 |
| Nombre | AI Agents (RAG + Tools) |
| Modulo | ai-agents |
| Fase | Fase 4 - SaaS Platform |
| Prioridad | P3 |
| Estado | Backlog |
| Story Points | 55 |
| Sprint(s) | Sprint 26-30 |
Descripcion
Sistema de agentes inteligentes con RAG (Retrieval Augmented Generation) usando pgvector para embeddings. Permite crear agentes configurables por tenant, knowledge bases con documentos, definicion de tools/funciones, conversaciones con historial y ejecucion de tools en tiempo real.
Objetivo de Negocio
Proveer agentes AI que:
- Automaticen atencion al cliente
- Respondan preguntas basadas en documentacion
- Ejecuten acciones en el sistema
- Escalen soporte sin aumentar personal
- Mejoren experiencia del usuario
Historias de Usuario
| ID | Historia | Prioridad | SP | Estado |
|---|---|---|---|---|
| US-MGN019-001 | Como admin, quiero crear agentes con personalidad y proposito | P0 | 5 | Backlog |
| US-MGN019-002 | Como admin, quiero crear knowledge bases con documentos | P0 | 8 | Backlog |
| US-MGN019-003 | Como admin, quiero subir documentos a una knowledge base | P0 | 5 | Backlog |
| US-MGN019-004 | Como sistema, quiero generar embeddings de documentos | P0 | 8 | Backlog |
| US-MGN019-005 | Como admin, quiero definir tools que el agente puede usar | P0 | 8 | Backlog |
| US-MGN019-006 | Como usuario, quiero chatear con el agente | P0 | 5 | Backlog |
| US-MGN019-007 | Como agente, quiero buscar en knowledge bases (RAG) | P0 | 8 | Backlog |
| US-MGN019-008 | Como agente, quiero ejecutar tools cuando sea necesario | P0 | 8 | Backlog |
| US-MGN019-009 | Como usuario, quiero dar feedback al agente | P1 | 3 | Backlog |
| US-MGN019-010 | Como admin, quiero ver metricas de uso y tokens | P1 | 5 | Backlog |
Total Story Points: 63 SP (ajustado a 55)
Criterios de Aceptacion de la Epica
Funcionales:
- Agentes configurables: nombre, avatar, system prompt
- Knowledge bases con multiples documentos
- Tipos de docs: PDF, DOCX, TXT, MD, URL
- Chunking inteligente de documentos
- Embeddings con OpenAI ada-002 (1536 dims)
- RAG con pgvector similarity search
- Tools con JSON Schema para parametros
- Ejecucion segura de tools (sandboxed)
- Conversaciones con contexto (ultimos N mensajes)
- Feedback thumbs up/down
No Funcionales:
- Latencia de respuesta < 5s
- Limite de tokens configurable por tenant
- Fallback a respuesta generica si RAG falla
Arquitectura RAG
1. Usuario envia pregunta
2. Sistema genera embedding de la pregunta
3. pgvector busca chunks similares (cosine similarity)
4. Top K chunks se incluyen en el prompt
5. LLM genera respuesta considerando contexto
6. Si LLM decide usar tool:
a. Sistema valida parametros
b. Ejecuta tool en sandbox
c. LLM procesa resultado
7. Respuesta se envia al usuario
Tools Disponibles (Ejemplos)
| Tool | Descripcion | Parametros |
|---|---|---|
| get_customer_info | Obtiene info de cliente | customer_id |
| check_inventory | Consulta stock | product_id, warehouse_id |
| create_lead | Crea lead en CRM | name, email, phone |
| get_order_status | Estado de orden | order_number |
| schedule_callback | Agenda llamada | phone, datetime |
Dependencias
Esta epica depende de:
| Epica/Modulo | Estado | Bloqueante |
|---|---|---|
| EPIC-MGN-004 Tenants | Ready | Si |
| EPIC-MGN-016 Billing (Feature Flag) | Backlog | Si |
| EPIC-MGN-018 WhatsApp (Canal) | Backlog | No |
| PostgreSQL + pgvector | Ready | Si |
| OpenAI API | External | Si |
Desglose Tecnico
Database:
- Schema:
ai_agents - Tablas: 12 (agents, knowledge_bases, agent_knowledge_bases, kb_documents, kb_chunks, tool_definitions, agent_tools, conversations, messages, tool_executions, feedback, usage_logs)
- Extension: pgvector para embeddings
- Indices: HNSW para busqueda rapida
Backend:
- Modulo:
ai-agents - Services: AgentService, RAGService, ToolExecutor, EmbeddingService
- Controllers: AgentsController, KnowledgeBasesController, ConversationsController
- Endpoints: 30+
- Jobs: DocumentProcessorJob, EmbeddingGeneratorJob
- Tests: 45+
Frontend:
- Paginas: 7 (Agents, AgentBuilder, KnowledgeBases, Documents, Conversations, Tools, Analytics)
- Componentes: AgentCard, ChatWindow, DocumentUploader, ToolEditor
- Stores: 1 (aiAgentsStore)
Estimacion de Costos
| Concepto | Precio | Uso estimado/mes |
|---|---|---|
| Embeddings (ada-002) | $0.0001/1K tokens | 1M tokens = $0.10 |
| Completions (gpt-4) | $0.03/1K tokens | 500K tokens = $15 |
| pgvector storage | Incluido en DB | - |
| Total estimado | - | ~$15-50/tenant/mes |
Creada por: Requirements-Analyst Fecha: 2025-12-05