Este workflow implementa un sistema de recuperación de información aumentada (RAG) adaptativo que utiliza el modelo de lenguaje grande Google Gemini para responder preguntas. El workflow comienza con un disparador que recibe una consulta. Un nodo de clasificación categoriza la consulta (factual, analítica, de opinión o contextual). Basado en esta clasificación, se selecciona una estrategia específica utilizando un nodo ‘Switch’. Cada estrategia utiliza un agente Langchain que interactúa con Google Gemini, incorporando memoria de contexto a través de nodos ‘Buffer Window Memory’ para mantener el contexto de la conversación. Antes de enviar la consulta a Gemini, se recuperan documentos relevantes de un vector store Qdrant usando embeddings generados por Google Gemini. Finalmente, la respuesta de Gemini se combina con el contexto y se envía a través de un webhook. El workflow es altamente configurable y permite adaptar la respuesta a diferentes tipos de consultas. Se utiliza Google Gemini para el procesamiento del lenguaje natural, Qdrant como vector store y Langchain para la orquestación de los agentes.
- Clasificación automática de consultas para seleccionar la estrategia de respuesta más adecuada.
- Uso de Google Gemini como modelo de lenguaje para generar respuestas precisas y contextuales.
- Integración con Qdrant para la recuperación eficiente de documentos relevantes.
- Gestión de la memoria de contexto para mantener la coherencia en conversaciones prolongadas.
- Diseño modular y adaptable para diferentes tipos de preguntas y contextos.