Plataforma
Entrenamiento de IA
En Daguito, "entrenar" un agente no significa reentrenar un modelo. Significa mejorar cómo se comporta tu agente con las palancas correctas: el conocimiento que puede consultar, las instrucciones que le das, la memoria de cada conversación y los registros que te dicen qué salió bien o mal. Es un ciclo de iteración, no un proceso de aprendizaje automático.
Daguito integra modelos de IA de múltiples proveedores. No hay fine-tuning, ni LoRA, ni recolección de datos para entrenar. Tu agente mejora cambiando su contexto y su configuración, nunca los pesos del modelo.
Qué significa "entrenar" en Daguito
Cuando alguien habla de "entrenar" un chatbot suele imaginar darle ejemplos hasta que aprenda. En Daguito el enfoque es distinto y más práctico: el modelo ya sabe razonar y hablar; tu trabajo es darle el contexto correcto y afinar su comportamiento.
Tu agente mejora a través de cuatro palancas que controlas por completo, sin tocar el modelo:
- Base de Conocimiento: documentos que el agente consulta en el momento de responder.
- Prompts: las instrucciones y la personalidad que defines para cada agente.
- Memoria: lo que el agente recuerda dentro de una conversación.
- Observabilidad: las trazas de ejecución que te muestran qué decidió el agente y por qué.
No existe un bucle de reentrenamiento. Las valoraciones y el historial se guardan para analítica y contexto de la sesión, nunca para ajustar el modelo. Cada mejora es un cambio manual que tú haces sobre el conocimiento, el prompt o la configuración.
Base de Conocimiento
La forma más potente de "entrenar" un agente es darle conocimiento que pueda consultar. Daguito usa Base de Conocimiento: tus documentos se trocean, se convierten en vectores y se guardan en una Base de Conocimiento. Cuando llega una pregunta, el agente busca los fragmentos relevantes y responde apoyándose en ellos.
Cómo ingresa el conocimiento
Puedes alimentar una Base de Conocimiento de varias formas:
- Rastreo web: sitemap y URLs sueltas que Daguito recorre y trocea.
- Subida de archivos: PDFs (con capa de texto) y texto plano.
- Sincronización de plataformas: conectores de e-commerce como Shopify, WooCommerce y Tiendanube que vuelcan tu catálogo en una Base de Conocimiento.
Metadatos para acotar el contexto
Cada fragmento puede llevar metadatos (por ejemplo categoria o vigencia: 2026). En la consulta puedes filtrar por esos campos para que el agente solo vea el conocimiento adecuado: promociones del año en curso, una línea de producto concreta o una región. Daguito guarda y compara los metadatos tal cual, sin interpretar su significado.
El pipeline de recuperación
Detrás de cada respuesta hay un pipeline de cinco etapas que decide qué fragmentos llegan al agente:
- Reescritura de la consulta: la pregunta del usuario se reformula para buscar mejor.
- Búsqueda vectorial: la consulta se convierte en un embedding y se buscan los fragmentos más cercanos por significado.
- Filtro de metadatos: descarta los fragmentos que no cumplen los campos exigidos.
- Reordenamiento (rerank): un modelo ordena los candidatos por relevancia real a la pregunta.
- Caché: resultados frecuentes se guardan con TTL para responder al instante.
El pipeline devuelve, junto a los fragmentos elegidos, el contenido, los metadatos, el origen (provenance) y la puntuación de relevancia de cada uno, además de las latencias por etapa. Así sabes en qué se apoya cada respuesta:
{
"chunks": [
{
"id": "chunk_a1b2c3",
"source_id": "kb_envios",
"content": "Enviamos a Bogotá en 24–48h por mensajería...",
"metadata": { "categoria": "envios", "vigencia": "2026" },
"provenance": { "url": "https://tienda.com/envios" },
"score": 0.87,
"rerank_score": 0.91
}
],
"query_original": "¿hacen envíos a bogotá?",
"query_rewritten": "tiempo y cobertura de envío a Bogotá",
"from_cache": false,
"latency": { "rewrite_ms": 120, "retrieve_ms": 45, "rerank_ms": 80, "total_ms": 260 }
}Prompts y voz del agente
El prompt de sistema es donde defines quién es tu agente, cómo habla y qué puede o no hacer. Es la palanca más rápida: editas el texto, redespliegas el flujo y el comportamiento cambia al instante.
Daguito compone el prompt final en capas, de lo general a lo específico:
- Personalidad global: el prompt y las restricciones (constraints) compartidos por toda tu organización.
- Prompt del nodo: las instrucciones propias del agente que estás configurando.
- Valores por defecto del rol: un texto base según el tipo de agente cuando no escribes uno propio.
Además del texto, dos parámetros moldean el estilo de salida: temperature (cuánto se arriesga el modelo) y max_tokens (cuán larga puede ser la respuesta).
// Configuración del nodo agente
{
"model": "...",
"system_prompt": "Eres el asistente de la tienda. Sé breve y cordial.",
"temperature": 0.7,
"max_tokens": 1024
}Sé concreto sobre el tono y los límites. Un prompt corto y claro ("responde en máximo 3 frases, en español, sin inventar precios") rinde más que un párrafo ambiguo. Itera frase a frase y prueba con casos reales.
Memoria y contexto de la conversación
Para que un agente no "olvide" lo que se dijo dos mensajes atrás, Daguito mantiene memoria por conversación. Esto adapta sus respuestas sin cambiar el prompt: el agente recuerda lo que ya sabe del usuario.
Hechos estructurados
Daguito extrae automáticamente "hechos" tipados de la conversación y los guarda. Cada hecho tiene una forma clara:
- clave y valor: por ejemplo
ciudad_envio = "Bogotá". - tipo:
string,number,array,enumuobject. - prioridad y persistencia: los hechos críticos se renderizan primero y nunca se truncan.
Resúmenes
Para conversaciones largas, un resumen rodante comprime los turnos antiguos en pocas frases. Así el agente conserva el hilo sin gastar todo el contexto en repetir lo dicho. Puedes ajustar cuándo se genera y en qué idioma.
Buscar contexto relevante
Además del resumen y los hechos, Daguito indexa los turnos de cada conversación para que el agente pueda hacer una búsqueda semántica sobre el propio chat y recuperar un mensaje anterior relevante, con atribución de su origen.
La memoria de conversación es de ámbito de sesión, con un TTL de unas 24 horas. No persiste entre organizaciones ni se acumula como datos de entrenamiento. Sirve para el contexto de esa conversación, nada más.
Ajuste de comportamiento y herramientas
Más allá del prompt y el conocimiento, cada agente expone parámetros que afinan su comportamiento. Todos se configuran por agente:
- temperature (0–2): baja para respuestas deterministas, alta para más creatividad.
- max_tokens: techo de longitud de la respuesta; controla coste y verbosidad.
- history_turns: cuántos pares de turnos previos se mantienen en el contexto.
- recent_turns: cuántos turnos recientes se cargan desde el historial de mensajes para sembrar el contexto cuando la ejecución arranca sin transcripción.
- max_tool_iterations (1–32): tope de llamadas a herramientas en un solo turno, para evitar bucles.
Configuración de herramientas
Un agente puede usar herramientas. Daguito acepta tres formas:
- Inline: declaradas en el propio agente; suelen emitir una intención de UI al frontend (
emit_only). - Handler: herramientas registradas en el servidor, como búsqueda en la Base de Conocimiento o búsqueda web.
- Flow: otro flujo que se ejecuta como sub-flujo y devuelve su resultado al modelo.
La salida de cada herramienta incluye puntuaciones de recuperación y atribución de origen, de modo que sabes en qué se basó el agente para responder.
Observabilidad y retroalimentación
No puedes mejorar lo que no puedes ver. Daguito traza cada ejecución para que entiendas qué hizo tu agente:
- Trazas de ejecución: cada llamada al modelo, recuperación de la Base de Conocimiento e invocación de herramienta lleva un
execution_id,flow_idytrace_id. - Auditoría de mensajes: cada entrada y salida se persiste antes de cualquier operación volátil.
- Valoraciones del chat: el pulgar arriba o abajo sobre cada respuesta se guarda en la tabla
message_feedback, con un motivo opcional, para analítica. - Latencias del pipeline: métricas por etapa (
rewrite_ms,retrieve_ms,rerank_ms,total_ms).
La observabilidad es para depurar y analizar, no para puntuar calidad automáticamente. Las valoraciones no disparan ninguna actualización del modelo: te dan señales para que tú decidas qué ajustar.
El ciclo de iteración
Mejorar un agente es un bucle corto y repetible. En la práctica se ve así:
- Edita el prompt de sistema, redespliega el flujo y prueba con entradas reales.
- Revisa las trazas de ejecución para ver qué recuperó y qué decidió el agente.
- Afina el conocimiento: añade o corrige documentos y vuelve a ingerir (trocear, embeber, indexar).
- Ajusta los parámetros:
temperature,history_turnsomax_tokenssegún estilo y coste. - Monitorea la calidad con los paneles de ejecución y la auditoría de mensajes, y repite.