Demo interactiva
Este es el espacio de trabajo real con un agente precargado, tres conversaciones terminadas y un corpus fijo de ocho fragmentos. El agente tiene una sola herramienta, la búsqueda web; la recuperación de documentos ocurre automáticamente. Ejecuta la misma recuperación local que la app completa o haz una pregunta en vivo. Las respuestas están limitadas, se cachean y nunca se guardan, y no hace falta cuenta.
Lee el corpus vinculado, responde con citas y pide permiso antes de buscar en la web.
ROL Y OBJETIVO Eres un analista de investigación. Responde preguntas sobre el producto, su arquitectura y sus normas de funcionamiento. Prefiere la evidencia a la intuición. CÓMO TRABAJAS 1. Reformula la pregunta en una línea. 2. Usa los fragmentos de documentos incluidos en este prompt. 3. Si no cubren la pregunta, dilo y ofrece una búsqueda web. 4. Cita la fuente y la página después de cada afirmación. HERRAMIENTAS Y FORMATO - web_search: busca en la web solo después de que el usuario apruebe cada consulta. Los fragmentos de documentos se añaden a este prompt automáticamente cuando hay PDFs vinculados. La recuperación no es una llamada a una herramienta. Usa párrafos cortos, una lista de pasos y citas en línea. PRECISIÓN Nunca inventes un número de página, un nombre de modelo o un límite. Si dos fuentes discrepan, muestra ambas y di cuál es más reciente. LO QUE NO DEBES HACER No escribas archivos, no ejecutes código y no respondas con conocimientos generales cuando el corpus cubra el tema.
web_search
Búsqueda en DuckDuckGo. Se pausa para pedir aprobación antes de cada consulta.
Cuando hay PDFs vinculados, un recuperador multi-consulta extrae los fragmentos más cercanos de varias reescrituras de tu pregunta y añade las coincidencias únicas al prompt del sistema antes de que se ejecute el modelo. Sin llamada a herramienta y sin aprobación.
Una pregunta, una respuesta. El agente lee el corpus fijo, cita los fragmentos que usó y no guarda historial. Usa un modelo pequeño y un presupuesto diario limitado; la recuperación sigue funcionando cuando se agota el presupuesto.
¿Cómo funciona la recuperación de documentos, de principio a fin?
¿Qué barreras de seguridad se aplican antes de que un mensaje llegue al modelo?
¿Por qué el agente pide permiso antes de buscar en la web?
La recuperación se ejecuta localmente: embeddings e5-small en Chroma, con reescrituras multi-consulta cuando el presupuesto diario lo permite y un respaldo con la pregunta original cuando no. Los ocho fragmentos de abajo son todo el índice.
Ocho fragmentos del manual, mostrados completos. Esto es exactamente lo que indexa el paso de recuperación; no hay nada más indexado.
Agent Studio es un espacio de trabajo Flask multiusuario para asistentes de IA creados con un propósito concreto. Cada agente tiene su propio nombre, prompt del sistema, modelo, estilo de respuesta y memoria privada de conversación. Una cuenta puede mantener varios agentes en paralelo, y al cambiar de agente cambian el prompt, el historial y los documentos vinculados sin recargar la página.
Un agente son tres cosas: un nombre, un prompt del sistema y un hilo de conversación. El prompt se edita en un diálogo con un selector de plantillas y un generador opcional impulsado por Mistral. El modelo y el estilo se eligen por mensaje en el pie del chat: Mistral Small 3.1 o GPT-OSS 120B, con ajustes de generación creativo, preciso o rápido.
La memoria del chat usa el checkpointer SQLite de LangGraph. El id de cada agente es un id de hilo, así que el agente recupera sus propios mensajes tras un reinicio. Borrar un chat elimina solo ese hilo. Los agentes comparten el mismo grafo pero nunca comparten historial, y las marcas de tiempo se guardan en los metadatos de los mensajes para que la interfaz pueda reproducir conversaciones antiguas.
La carga de un PDF extrae el texto con pypdf y lo divide en fragmentos de 500 caracteres con 20 caracteres de solapamiento. Los fragmentos se convierten en vectores localmente con la versión ONNX de intfloat/multilingual-e5-small, un modelo multilingüe de 384 dimensiones, y se guardan en Chroma filtrados por id de documento. Al consultar, un recuperador multi-consulta reescribe la pregunta en variantes alternativas, recupera hasta cuatro fragmentos por variante y añade el conjunto sin duplicados al prompt del sistema de ese turno.
Cada agente tiene una sola herramienta: web_search. Usa DuckDuckGo y no necesita clave de API. Un middleware de intervención humana pausa la ejecución antes de cualquier búsqueda y pide al usuario que apruebe o rechace cada consulta. La recuperación de documentos no es una herramienta: cuando un agente tiene PDFs vinculados, un recuperador multi-consulta extrae los fragmentos más cercanos de varias reescrituras de la pregunta y añade las coincidencias únicas al prompt del sistema antes de que se ejecute el modelo. La app no expone herramientas de ejecución de código ni de calculadora.
Antes de que un mensaje llegue a un modelo, la app rechaza entradas vacías o demasiado largas, aplica un límite de 20 solicitudes por minuto y cuenta, y redacta direcciones de correo y números de tarjeta en ambos sentidos. La salida del modelo se renderiza con DOMPurify y Mermaid se ejecuta con su nivel de seguridad estricto. Los errores devuelven un mensaje genérico y se registran sin el contenido del mensaje.
El inicio de sesión usa Google OpenID Connect y una lista de correos permitidos en el entorno; no se guardan contraseñas. Cada fila de agente y documento lleva el correo del propietario, y cada consulta filtra por el usuario autenticado. La demo pública es una ruta separada de solo lectura, sin escrituras en la base de datos y con su propio límite de peticiones.
La app se ejecuta con gunicorn como servicio systemd detrás de Caddy, que obtiene y renueva certificados Let's Encrypt. SQLite guarda agentes, documentos y checkpoints. El servicio tiene un sistema de archivos de solo lectura excepto su directorio instance, y los secretos se inyectan con credenciales de systemd. Un solo worker mantiene coherentes el limitador de peticiones en proceso y la caché de modelos.
Lee constantes, vectoriza ocho fragmentos localmente y renderiza HTML. Si haces una pregunta en vivo, hace una llamada limitada al modelo, redacta datos personales y no guarda historial. Nunca toca la base de datos y nunca acepta escrituras. El espacio completo sigue usando los mismos prompts, herramientas y pipeline de recuperación.
Inicia sesión en el espacio completo