Agente IA para Buscar en 1 Millón de Documentos en Segundos (ADK + RAG)

Matriz de Decisión: Estrategias de Búsqueda y Recuperación Documental

Al diseñar sistemas de consulta sobre repositorios corporativos de gran volumen, los arquitectos de datos deben sopesar latencia, complejidad operativa, soporte multiformato y riesgo de alucinación.

Implementación Técnica de Producción

A continuación se presentan los dos componentes fundamentales de la solución: el pipeline de configuración e ingesta del corpus en Vertex AI y la definición del agente conversacional utilizando el Agent Development Kit (ADK).

1. Configuración del Corpus e Ingesta Documental (setup_rag.py)

import os
import logging
from google.cloud import aiplatform
from vertexai.preview import rag

# Configuración del entorno empresarial
PROJECT_ID = "tu-gcp-project-id"
LOCATION = "europe-west1"  # Región optimizada para cumplimiento normativo
CORPUS_DISPLAY_NAME = "adk-drive-corpus-production"
DRIVE_FOLDER_ID = "1aBcDeFgHiJkLmNoPqRsTuVwXyZ123456"

logging.basicConfig(level=logging.INFO)

def setup_rag_pipeline():
    """
    Inicializa Vertex AI, provisiona el RAG Corpus e indexa
    documentos corporativos desde un repositorio de Google Drive.
    """
    logging.info(f"Inicializando Vertex AI en el proyecto {PROJECT_ID} ({LOCATION})...")
    aiplatform.init(project=PROJECT_ID, location=LOCATION)

    # 1. Crear el RAG Corpus gestionado
    try:
        logging.info(f"Creando RAG Corpus: {CORPUS_DISPLAY_NAME}...")
        corpus = rag.create_corpus(display_name=CORPUS_DISPLAY_NAME)
        logging.info(f"RAG Corpus creado exitosamente: {corpus.name}")
    except Exception as e:
        logging.error(f"Error o corpus ya existente: {e}")
        return

    # 2. Ingesta e indexación de archivos desde Google Drive
    drive_paths = [
        f"https://drive.google.com/drive/folders/{DRIVE_FOLDER_ID}"
    ]

    logging.info("Iniciando indexación vectorial y chunking automático...")
    response = rag.import_files(
        corpus_name=corpus.name,
        paths=drive_paths,
        chunk_size=512,
        chunk_overlap=50
    )
    
    logging.info(f"Ingesta completada. Archivos procesados: {response.imported_rag_files_count}")
    print(f"\n[OK] Utiliza este identificador en tu agente:\n{corpus.name}\n")

if __name__ == "__main__":
    setup_rag_pipeline()

2. Definición del Agente con Google ADK y Gemini (agent.py)

import os
from google.adk.agents import Agent
from google.adk.tools import Tool
from vertexai.preview import rag
from vertexai.generative_models import Tool as VertexTool

# Identificador del Corpus obtenido en la fase de setup
RAG_CORPUS_NAME = os.getenv(
    "RAG_CORPUS_RESOURCE", 
    "projects/1234567890/locations/europe-west1/ragCorpora/9876543210"
)

# Herramienta de Recuperación Vectorial sobre Vertex AI
ask_vertex_retrieval = rag.VertexRagStore(
    rag_resources=[
        rag.RagResource(
            rag_corpus=RAG_CORPUS_NAME
        )
    ],
    similarity_top_k=5,
    vector_distance_threshold=0.55
)

# Instrucciones del Sistema para garantizar Citas y evitar Alucinaciones
SYSTEM_INSTRUCTIONS = """
Eres un asistente corporativo de alta precisión. Tu objetivo es responder preguntas
basándote EXCLUSIVAMENTE en la información recuperada del RAG Corpus.
Normas obligatorias:
1. Si la respuesta no está contenida en los fragmentos devueltos, declara honestamente que no dispones del dato.
2. Cita siempre el nombre exacto del archivo de origen (Citation) y su sección/metadato.
3. Proporciona resúmenes estructurados paso a paso cuando se soliciten procedimientos o métricas financieras.
"""

# Inicialización del Agente con Gemini Flash
root_agent = Agent(
    model="gemini-1.5-flash",
    name="Enterprise-Knowledge-Agent",
    description="Agente experto en normativas, procedimientos y facturación interna.",
    instruction=SYSTEM_INSTRUCTIONS,
    tools=[ask_vertex_retrieval]
)

Patrones de Diseño y Buenas Prácticas de Arquitectura

Para operar este sistema con nivel de resiliencia empresarial, se deben aplicar los siguientes pilares de arquitectura:

Framework de Implementación Paso a Paso

Metodología recomendada para desplegar esta arquitectura en cualquier organización:

1. Auditoría y Limpieza del Repositorio: Consolida los archivos relevantes (manuales, normativas, políticas, facturas) en carpetas centralizadas dentro de Google Drive o Cloud Storage con estructuras de nombres coherentes.
2. Aprovisionamiento del RAG Corpus: Ejecuta el script de aprovisionamiento en Vertex AI especificando región, tamaño de chunk y solapamiento para indexar la base documental.
3. Construcción y Registro de Herramientas ADK: Configura el agente en Python enlazando la herramienta de recuperación con los parámetros de similitud vectorial y umbral de distancia.
4. Validación en Web UI / Interfaz de Chat: Despliega el servidor web local con adk web para evaluar la consistencia de las respuestas, la precisión de las citas y la velocidad de respuesta frente a consultas complejas.
5. Despliegue a Producción (Cloud Run / GKE): Empaqueta el agente en un contenedor serverless integrado con el canal de mensajería empresarial de tu organización (Google Chat, Slack o portal interno).