Plataforma

Treinamento de IA

No Daguito, "treinar" um agente não significa retreinar um modelo. Significa melhorar como seu agente se comporta por meio das alavancas certas: o conhecimento que ele pode consultar, as instruções que você dá, a memória de cada conversa e os registros que mostram o que deu certo ou errado. É um ciclo de iteração, não um processo de aprendizado de máquina.

O que "treinar" significa no Daguito

Quando alguém fala em "treinar" um chatbot, costuma imaginar dar exemplos até ele aprender. O Daguito adota uma abordagem diferente e mais prática: o modelo já sabe raciocinar e conversar; seu trabalho é dar o contexto certo e ajustar o comportamento.

Seu agente melhora por meio de quatro alavancas que você controla por completo, sem tocar no modelo:

• Base de Conhecimento: documentos que o agente consulta na hora de responder.
• Prompts: as instruções e a personalidade que você define para cada agente.
• Memória: o que o agente lembra dentro de uma conversa.
• Observabilidade: os rastros de execução que mostram o que o agente decidiu e por quê.

Base de Conhecimento

A forma mais poderosa de "treinar" um agente é dar a ele conhecimento que possa consultar. O Daguito usa Base de Conhecimento: seus documentos são divididos em trechos, convertidos em vetores e guardados em uma Base de Conhecimento. Quando chega uma pergunta, o agente busca os trechos relevantes e responde apoiado neles.

Como o conhecimento entra

Você pode alimentar uma Base de Conhecimento de várias formas:

• Rastreamento web: um sitemap e URLs avulsas que o Daguito percorre e divide em trechos.
• Upload de arquivos: PDFs (com camada de texto) e texto puro.
• Sincronização de plataformas: conectores de e-commerce como Shopify, WooCommerce e Tiendanube que despejam seu catálogo em uma Base de Conhecimento.

Metadados para delimitar o contexto

Cada trecho pode carregar metadados (por exemplo categoria ou vigencia: 2026). Na consulta você pode filtrar por esses campos para que o agente veja apenas o conhecimento certo: promoções do ano atual, uma linha de produto específica ou uma região. O Daguito guarda e compara os metadados como estão, sem interpretar seu significado.

O pipeline de recuperação

Por trás de cada resposta há um pipeline de cinco etapas que decide quais trechos chegam ao agente:

1. Reescrita da consulta: a pergunta do usuário é reformulada para buscar melhor.
2. Busca vetorial: a consulta é convertida em um embedding e os trechos mais próximos são recuperados por significado.
3. Filtro de metadados: descarta os trechos que não atendem aos campos exigidos.
4. Reordenação (rerank): um modelo ordena os candidatos pela relevância real à pergunta.
5. Cache: resultados frequentes são guardados com TTL para responder na hora.

Junto aos trechos escolhidos, o pipeline retorna o conteúdo, os metadados, a origem (provenance) e a pontuação de relevância de cada um, além das latências por etapa. Assim você sabe exatamente em que cada resposta se apoia:

{
  "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 e voz do agente

O prompt de sistema é onde você define quem é seu agente, como ele fala e o que pode ou não fazer. É a alavanca mais rápida: você edita o texto, reimplanta o fluxo e o comportamento muda na hora.

O Daguito compõe o prompt final em camadas, do geral ao específico:

• Personalidade global: o prompt e as restrições (constraints) compartilhados por toda a sua organização.
• Prompt do nó: as instruções próprias do agente que você está configurando.
• Valores padrão do papel: um texto base conforme o tipo de agente quando você não escreve o seu.

Além do texto, dois parâmetros moldam o estilo da saída: temperature (o quanto o modelo arrisca) e max_tokens (o quão longa a resposta pode ser).

// Configuración del nodo agente
{
  "model": "...",
  "system_prompt": "Eres el asistente de la tienda. Sé breve y cordial.",
  "temperature": 0.7,
  "max_tokens": 1024
}

Memória e contexto da conversa

Para que um agente não "esqueça" o que foi dito duas mensagens atrás, o Daguito mantém memória por conversa. Isso adapta as respostas sem mudar o prompt: o agente lembra o que já sabe sobre o usuário.

Fatos estruturados

O Daguito extrai automaticamente "fatos" tipados da conversa e os guarda. Cada fato tem uma forma clara:

• chave e valor: por exemplo ciudad_envio = "Bogotá".
• tipo: string, number, array, enum ou object.
• prioridade e persistência: os fatos críticos são renderizados primeiro e nunca truncados.

Resumos

Para conversas longas, um resumo rolante comprime os turnos antigos em poucas frases. Assim o agente mantém o fio sem gastar todo o contexto repetindo o que já foi dito. Você pode ajustar quando ele é gerado e em qual idioma.

Buscar contexto relevante

Além do resumo e dos fatos, o Daguito indexa os turnos de cada conversa para que o agente possa fazer uma busca semântica sobre o próprio chat e recuperar uma mensagem anterior relevante, com atribuição de origem.

Ajuste de comportamento e ferramentas

Além do prompt e do conhecimento, cada agente expõe parâmetros que ajustam seu comportamento. Todos são configurados por agente:

• temperature (0–2): baixa para respostas determinísticas, alta para mais criatividade.
• max_tokens: teto de comprimento da resposta; controla custo e verbosidade.
• history_turns: quantos pares de turnos anteriores são mantidos no contexto.
• recent_turns: quantos turnos recentes são carregados do histórico de mensagens para semear o contexto quando a execução começa sem transcrição.
• max_tool_iterations (1–32): limite de chamadas a ferramentas em um único turno, para evitar loops.

Configuração de ferramentas

Um agente pode usar ferramentas. O Daguito aceita três formas:

• Inline: declaradas no próprio agente; costumam emitir uma intenção de UI ao frontend (emit_only).
• Handler: ferramentas registradas no servidor, como busca na Base de Conhecimento ou busca na web.
• Flow: outro fluxo que roda como subfluxo e devolve seu resultado ao modelo.

A saída de cada ferramenta inclui pontuações de recuperação e atribuição de origem, então você sabe em que o agente se baseou para responder.

Observabilidade e retroalimentação

Você não pode melhorar o que não consegue ver. O Daguito rastreia cada execução para que você entenda o que seu agente fez:

• Rastros de execução: cada chamada ao modelo, recuperação da Base de Conhecimento e invocação de ferramenta carrega um execution_id, flow_id e trace_id.
• Auditoria de mensagens: cada entrada e saída é persistida antes de qualquer operação volátil.
• Avaliações do chat: o joinha para cima ou para baixo em cada resposta é guardado na tabela message_feedback, com um motivo opcional, para análise.
• Latências do pipeline: métricas por etapa (rewrite_ms, retrieve_ms, rerank_ms, total_ms).

O ciclo de iteração

Melhorar um agente é um ciclo curto e repetível. Na prática, é assim:

1. Edite o prompt de sistema, reimplante o fluxo e teste com entradas reais.
2. Revise os rastros de execução para ver o que o agente recuperou e decidiu.
3. Refine o conhecimento: adicione ou corrija documentos e reingira (dividir, embeber, indexar).
4. Ajuste os parâmetros: temperature, history_turns ou max_tokens conforme estilo e custo.
5. Monitore a qualidade com os painéis de execução e a auditoria de mensagens, e repita.

O que vem agora?