erp-core/docs/04-modelado/requerimientos-funcionales/mgn-018/RF-MGN-018-003-procesamiento-mensajes.md

RF-MGN-018-003: Procesamiento de Mensajes

Módulo: MGN-018 - AI Agents & Chatbots Prioridad: P1 Story Points: 8 Estado: Definido Fecha: 2025-12-05

Descripción

El sistema debe procesar mensajes entrantes de diferentes canales (WhatsApp, Web Chat, Email), construir el contexto apropiado, consultar bases de conocimiento, invocar el modelo de IA, y entregar la respuesta al usuario. El procesamiento incluye manejo de historial de conversación, detección de intenciones, y decisiones de escalación.

Actores

• Actor Principal: Sistema (Message Processor)
• Actores Secundarios:
  • Cliente Final (envía mensajes)
  • AI Agent (genera respuestas)
  • LLM Provider (procesa prompts)
  • Vector Store (búsqueda RAG)

Precondiciones

1. Agente activo y configurado
2. Canal de comunicación configurado
3. Créditos de IA disponibles

Flujo Principal - Procesar Mensaje

1. Sistema recibe mensaje de canal (webhook)
2. Sistema identifica conversación existente o crea nueva
3. Sistema obtiene configuración del agente
4. Sistema construye contexto:
   • Historial de conversación
   • Variables de sesión
   • Datos del contacto
5. Sistema realiza búsqueda RAG si hay KBs asignadas
6. Sistema construye prompt completo:
   • System prompt del agente
   • Contexto RAG
   • Historial
   • Mensaje actual
7. Sistema envía prompt a LLM
8. Sistema recibe respuesta
9. Sistema evalúa si hay tool calls
10. Si hay tools: ejecuta y reenvía a LLM
11. Sistema evalúa condiciones de escalación
12. Sistema guarda mensaje y respuesta
13. Sistema envía respuesta al canal
14. Sistema registra consumo de tokens

Flujo Alternativo - Escalación

1. Sistema detecta trigger de escalación:
   • Palabra clave ("humano", "agente")
   • Sentimiento negativo detectado
   • Intent de escalación
   • Timeout de respuesta
   • Usuario lo solicita
2. Sistema envía mensaje de escalación
3. Sistema transfiere conversación a cola de agentes
4. Sistema notifica al equipo humano
5. Agente humano toma la conversación

Pipeline de Procesamiento

┌──────────────────────────────────────────────────────────────────────────┐
│                           MESSAGE PROCESSOR                               │
├──────────────────────────────────────────────────────────────────────────┤
│                                                                           │
│  ┌─────────┐   ┌─────────┐   ┌─────────┐   ┌─────────┐   ┌─────────┐   │
│  │ Receive │──▶│ Context │──▶│   RAG   │──▶│  LLM    │──▶│ Execute │   │
│  │ Message │   │ Builder │   │ Search  │   │ Request │   │ Tools   │   │
│  └─────────┘   └─────────┘   └─────────┘   └─────────┘   └─────────┘   │
│       │                                          │             │         │
│       │                                          ▼             │         │
│       │                                    ┌─────────┐         │         │
│       │                                    │Escalate?│─────────┤         │
│       │                                    └─────────┘         │         │
│       │                                          │             │         │
│       │                                          ▼             ▼         │
│       │            ┌─────────┐            ┌─────────┐   ┌─────────┐     │
│       └───────────▶│  Store  │◀───────────│ Format  │◀──│  Send   │     │
│                    │ Message │            │Response │   │Response │     │
│                    └─────────┘            └─────────┘   └─────────┘     │
│                                                                           │
└──────────────────────────────────────────────────────────────────────────┘

Construcción de Contexto

Context Builder

interface ConversationContext {
  // Información del contacto
  contact: {
    id: string;
    name: string;
    phone?: string;
    email?: string;
    custom_attributes: Record<string, any>;
  };

  // Historial de conversación
  history: Array<{
    role: 'user' | 'assistant';
    content: string;
    timestamp: Date;
  }>;

  // Sesión actual
  session: {
    id: string;
    started_at: Date;
    variables: Record<string, any>;
    previous_intents: string[];
  };

  // Contexto RAG
  rag_context?: {
    chunks: Array<{
      content: string;
      source: string;
      score: number;
    }>;
    formatted: string;
  };

  // Datos del sistema
  system: {
    current_datetime: string;
    agent_name: string;
    company_name: string;
  };
}

Prompt Construction

function buildPrompt(agent: Agent, context: ConversationContext, userMessage: string): string {
  // 1. System prompt base
  let systemPrompt = agent.system_prompt;

  // 2. Reemplazar variables
  systemPrompt = systemPrompt
    .replace('{{company_name}}', context.system.company_name)
    .replace('{{agent_name}}', context.system.agent_name)
    .replace('{{customer_name}}', context.contact.name)
    .replace('{{current_date}}', context.system.current_datetime);

  // 3. Agregar contexto RAG si existe
  if (context.rag_context) {
    systemPrompt += `\n\n## Información Relevante:\n${context.rag_context.formatted}`;
  }

  // 4. Agregar instrucciones de herramientas
  if (agent.capabilities.tools_enabled.length > 0) {
    systemPrompt += `\n\n## Herramientas Disponibles:\n${formatToolDescriptions(agent.capabilities.tools_enabled)}`;
  }

  return systemPrompt;
}

Manejo de Historial

interface HistoryConfig {
  // Límites
  max_messages: number;        // Máximo de mensajes en historial (default: 20)
  max_tokens: number;          // Máximo de tokens (default: 4000)

  // Estrategias de truncado
  truncation_strategy: 'oldest_first' | 'summarize' | 'smart';

  // Resumen automático
  summarize_after: number;     // Resumir después de N mensajes
  summary_prompt: string;
}

// Estrategia smart: mantiene primer mensaje, últimos N, y resumen del medio
function smartTruncate(history: Message[], config: HistoryConfig): Message[] {
  if (history.length <= config.max_messages) return history;

  const first = history[0];
  const last = history.slice(-config.max_messages + 2);

  // Resumir mensajes del medio
  const middle = history.slice(1, -config.max_messages + 2);
  const summary = summarizeMessages(middle);

  return [
    first,
    { role: 'system', content: `[Resumen de conversación anterior: ${summary}]` },
    ...last
  ];
}

Detección de Intención

interface IntentDetection {
  // Método de detección
  method: 'keyword' | 'llm' | 'hybrid';

  // Keywords por intent
  keyword_intents: Record<string, string[]>;

  // Intents conocidos
  known_intents: Array<{
    intent: string;
    description: string;
    examples: string[];
    action?: string;
  }>;
}

const defaultIntents: IntentDetection = {
  method: 'hybrid',
  keyword_intents: {
    'escalate': ['humano', 'agente', 'persona', 'hablar con alguien'],
    'order_status': ['pedido', 'orden', 'envío', 'dónde está'],
    'pricing': ['precio', 'costo', 'cuánto cuesta', 'cotización'],
    'support': ['ayuda', 'problema', 'no funciona', 'error']
  },
  known_intents: [
    {
      intent: 'escalate',
      description: 'Usuario quiere hablar con persona',
      examples: ['Quiero hablar con un humano', 'Pásame con un agente'],
      action: 'trigger_escalation'
    }
  ]
};

Evaluación de Escalación

interface EscalationEvaluator {
  triggers: EscalationTrigger[];
  evaluate(context: ConversationContext, response: string): EscalationDecision;
}

interface EscalationTrigger {
  type: 'keyword' | 'sentiment' | 'intent' | 'confidence' | 'loop_detection' | 'user_request';
  condition: any;
  priority: 'low' | 'medium' | 'high' | 'urgent';
}

interface EscalationDecision {
  should_escalate: boolean;
  reason?: string;
  priority?: string;
  context_to_pass?: object;
}

// Ejemplo de evaluación
function evaluateEscalation(
  triggers: EscalationTrigger[],
  message: string,
  context: ConversationContext
): EscalationDecision {
  for (const trigger of triggers) {
    switch (trigger.type) {
      case 'keyword':
        if (matchesKeywords(message, trigger.condition)) {
          return { should_escalate: true, reason: 'keyword_match', priority: trigger.priority };
        }
        break;

      case 'sentiment':
        const sentiment = analyzeSentiment(message);
        if (sentiment.negative > trigger.condition.threshold) {
          return { should_escalate: true, reason: 'negative_sentiment', priority: trigger.priority };
        }
        break;

      case 'loop_detection':
        if (detectConversationLoop(context.history, trigger.condition.max_similar)) {
          return { should_escalate: true, reason: 'conversation_loop', priority: 'medium' };
        }
        break;
    }
  }

  return { should_escalate: false };
}

Reglas de Negocio

• RN-1: Timeout máximo de respuesta LLM: 30 segundos
• RN-2: Historial máximo por defecto: 20 mensajes
• RN-3: Reintentos a LLM: 3 con exponential backoff
• RN-4: Rate limit por conversación: 20 mensajes/minuto
• RN-5: Si LLM falla, usar mensaje de fallback configurado
• RN-6: Siempre loguear consumo de tokens
• RN-7: Conversaciones inactivas expiran en 24h

Criterios de Aceptación

• Mensajes de WhatsApp se procesan correctamente
• Contexto incluye historial de conversación
• Búsqueda RAG funciona cuando hay KBs
• Tool calls se ejecutan correctamente
• Escalación se dispara según configuración
• Respuestas llegan en menos de 5 segundos (P95)
• Tokens consumidos se registran
• Fallback funciona cuando LLM falla
• Rate limiting previene abuso
• Streaming de respuestas soportado

Entidades Involucradas

ai_agents.conversations

CREATE TABLE ai_agents.conversations (
    id UUID PRIMARY KEY DEFAULT gen_random_uuid(),
    tenant_id UUID NOT NULL REFERENCES core_tenants.tenants(id),
    agent_id UUID NOT NULL REFERENCES ai_agents.agents(id),

    -- Canal y contacto
    channel VARCHAR(50) NOT NULL, -- whatsapp, webchat, email
    channel_conversation_id VARCHAR(100), -- ID en el canal (ej: WA conversation ID)
    contact_id UUID, -- REFERENCES catalogs.contacts(id)
    contact_identifier VARCHAR(100), -- Phone/email si no hay contacto

    -- Estado
    status VARCHAR(20) NOT NULL DEFAULT 'active',
    -- active, escalated, closed, expired

    -- Escalación
    escalated_at TIMESTAMPTZ,
    escalated_to UUID, -- Agent/Team ID
    escalation_reason VARCHAR(100),

    -- Variables de sesión
    session_variables JSONB DEFAULT '{}',

    -- Estadísticas
    message_count INT DEFAULT 0,
    tokens_used INT DEFAULT 0,

    -- Feedback
    satisfaction_rating INT, -- 1-5
    feedback_text TEXT,

    -- Timestamps
    started_at TIMESTAMPTZ DEFAULT CURRENT_TIMESTAMP,
    last_message_at TIMESTAMPTZ DEFAULT CURRENT_TIMESTAMP,
    closed_at TIMESTAMPTZ,

    CONSTRAINT chk_conv_status CHECK (status IN ('active', 'escalated', 'closed', 'expired'))
);

CREATE INDEX idx_conv_tenant ON ai_agents.conversations(tenant_id);
CREATE INDEX idx_conv_agent ON ai_agents.conversations(agent_id);
CREATE INDEX idx_conv_channel ON ai_agents.conversations(channel, channel_conversation_id);
CREATE INDEX idx_conv_status ON ai_agents.conversations(status);

ai_agents.messages

CREATE TABLE ai_agents.messages (
    id UUID PRIMARY KEY DEFAULT gen_random_uuid(),
    conversation_id UUID NOT NULL REFERENCES ai_agents.conversations(id) ON DELETE CASCADE,

    -- Mensaje
    role VARCHAR(20) NOT NULL, -- user, assistant, system
    content TEXT NOT NULL,

    -- Tokens
    input_tokens INT,
    output_tokens INT,

    -- RAG
    rag_chunks_used JSONB, -- IDs de chunks usados
    rag_search_time_ms INT,

    -- Tools
    tool_calls JSONB, -- [{tool, args, result}]

    -- Metadata
    metadata JSONB DEFAULT '{}',
    -- {
    --   "model_used": "gpt-4o-mini",
    --   "response_time_ms": 1234,
    --   "intent_detected": "order_status"
    -- }

    -- External
    channel_message_id VARCHAR(100), -- ID del mensaje en el canal

    created_at TIMESTAMPTZ DEFAULT CURRENT_TIMESTAMP
);

CREATE INDEX idx_messages_conversation ON ai_agents.messages(conversation_id);
CREATE INDEX idx_messages_created ON ai_agents.messages(created_at);

ai_agents.usage_logs

CREATE TABLE ai_agents.usage_logs (
    id UUID PRIMARY KEY DEFAULT gen_random_uuid(),
    tenant_id UUID NOT NULL,
    agent_id UUID NOT NULL,
    conversation_id UUID,
    message_id UUID,

    -- Tipo de operación
    operation VARCHAR(50) NOT NULL, -- llm_request, embedding, tool_execution

    -- Proveedor y modelo
    provider VARCHAR(50),
    model VARCHAR(100),

    -- Consumo
    input_tokens INT DEFAULT 0,
    output_tokens INT DEFAULT 0,
    total_tokens INT DEFAULT 0,

    -- Costo estimado
    cost_usd DECIMAL(10,6),

    -- Timing
    latency_ms INT,

    -- Resultado
    success BOOLEAN DEFAULT true,
    error_message TEXT,

    created_at TIMESTAMPTZ DEFAULT CURRENT_TIMESTAMP
);

CREATE INDEX idx_usage_tenant ON ai_agents.usage_logs(tenant_id);
CREATE INDEX idx_usage_created ON ai_agents.usage_logs(created_at);

-- Partition by month para mejor rendimiento
-- CREATE TABLE ai_agents.usage_logs_2025_01 PARTITION OF ai_agents.usage_logs
--     FOR VALUES FROM ('2025-01-01') TO ('2025-02-01');

Integración con WhatsApp (MGN-017)

// Webhook handler para mensajes de WhatsApp
async function handleWhatsAppMessage(webhook: WhatsAppWebhook): Promise<void> {
  const { phone_number_id, message } = webhook;

  // 1. Encontrar agente asignado al número
  const agent = await findAgentForWhatsAppNumber(phone_number_id);
  if (!agent) {
    // No hay agente, dejar para inbox manual
    return;
  }

  // 2. Encontrar o crear conversación
  const conversation = await findOrCreateConversation({
    agent_id: agent.id,
    channel: 'whatsapp',
    channel_conversation_id: message.from,
    contact_identifier: message.from
  });

  // 3. Procesar con el pipeline
  const response = await processMessage({
    conversation_id: conversation.id,
    agent_id: agent.id,
    message: message.text?.body || '',
    channel: 'whatsapp'
  });

  // 4. Enviar respuesta via WhatsApp API
  await sendWhatsAppMessage(phone_number_id, message.from, response.content);
}

Configuración de Timeouts y Retries

interface ProcessingConfig {
  // Timeouts
  llm_timeout_ms: number;         // 30000
  rag_timeout_ms: number;         // 5000
  tool_timeout_ms: number;        // 10000
  total_timeout_ms: number;       // 45000

  // Retries
  llm_max_retries: number;        // 3
  llm_retry_delay_ms: number;     // 1000
  llm_retry_backoff: number;      // 2 (exponential)

  // Rate limits
  messages_per_minute: number;    // 20
  tokens_per_minute: number;      // 50000

  // Streaming
  streaming_enabled: boolean;
  streaming_chunk_delay_ms: number;
}

Referencias

• OpenAI Chat Completions
• Anthropic Messages
• LangChain Conversation Memory

Dependencias

• RF Requeridos: RF-018-001 (Agentes), RF-018-002 (Knowledge Bases)
• Bloqueante para: RF-018-004 (Acciones y Herramientas)