¡Esto es el Futuro de la IA! Multiagentes RAG en n8n 🤯

Entonces nosotros tenemos nuestro workflow de n8n nuestro agente de ia al cual le hemos cargado la tool para llamar a tres agentes estos tres agentes de aquí los cuales los he conectado a su vez a una base de datos vectorial cada uno de ellos los cuales como ven tienen bastante información cada uno y por eso utilizamos este sistema multiagente y aquí lo hemos cargado a nuestra base de datos vectorial en supabase utilizando el sistema rack para subir estos documentos sin más vamos a preguntarle aquí a nuestro agente Vamos a darle aquí en test workflow Dame

información de trámites vehiculares Sí nosotros vemos que se recibe aquí la información y Aquí empieza a utilizar la tool que llama al workflow de nuestro agente de trámites el cual le va a devolver la solicitud y justamente me lo va a contestar aquí como vemos justamente le ha enviado esa información ha utilizado esta base de datos vectorial a través de embeddings y nos ha entregado justo la respuesta pues la ha enviado directo y es que nuestro agente tiene la capacidad de discernir en base a las instrucciones cuándo Llamar a un agente Y cuándo Llamar a

otro cumple una función como project manager del cual delega cada tarea específica para cada uno de nuestros agentes esto es un sistema multiagente aplicado a negocios bueno Y aquí como nosotros vemos pues hasta nos manda el link donde podemos hacer las citas para realizar nuestro trámite justamente como ven está funcionando perfectamente esto lo podemos utilizar justamente para poder delegar a cada agente y haga una búsqueda específica que cada gente se especialice en un campo en particular y no dejar a general todo esto para el agente de ia principal que le crearía mucho ruido porque se

necesitaría especializar en muchos Campos y funciona de una mejor manera que cada uno se especialice Bienvenidos a este nuevo video donde vamos a profundizar en la creación de un sistema multiagente utilizando n8n y supabase integrando Inteligencia artificial para gestionar la información de manera eficiente desde la arquitectura del sistema la fragmentación de los documentos en chongs hasta la implementación de consultas basadas en embeddings al final podrás tener un flujo completamente funcional que podrás replicar en tus propios proyectos Así que todos los recursos los voy a dejar el enlace en la descripción para que se den una

vuelta donde también les voy a poner los videos del curso de agentes que hemos estado desarrollando Para que vean todas las bases técnicas en este video me voy a centrar ya partiendo desde esas bases para ver todo el funcionamiento adicional como les he comentado que se pueden ir adecuando estos agentes de ya para hacerlos más complejos más amplios a través de Tools que en este caso es una comunicación multiagente vamos a empezar diciendo Qué es un sistema multiagente Y por qué utilizarlo bien un sistema multiagente es un conjunto de agentes especializados que trabajan de forma

Autónoma para resolver tareas específicas comunicándose entre sí para brindar la mejor respuesta posible como vemos aquí nosotros tenemos un agente que es el principal que a su vez delega las tareas de las bases vectoriales específicas de cada uno de los agentes como ya vimos justamente aquí con nuestros tres agentes cada uno que almacena a su vez un archivo distinto cada uno que hemos subido con este sistema rag transformándolo a una base de datos de beddings que hemos cargado en supabase cada uno con su propia tabla la cual es específica para cada tipo de archivo los

cuales van a poder consultar y regresarle la información al la ag la importancia de este enfoque multiagente es que cada agente maneja un dominio específico de información lo que garantiza una mayor precisión y organización en extracción de las respuestas de los datos además de una reducción de carga cognitiva va a una sola guía generalista delegando a agentes expertos en cada campo y es que por qué lo estamos haciendo en n8n nos permite la automatización de este flujo de comunicación entre agentes de manera visual y de manera muy práctica lo cual si algunos sabrán en código

tenemos que utilizar frameworks como agency swarm o Crew Ai para esta comunicación multiagente entonces en n8n nos permite a través de estas llamadas a otros workflows tener un sistema multiagentes funcionando y garantizando que se envíen respuestas de calidad pues justamente como vimos al delegar lasas hacemos mucho más eficiente todo esto y es que utilizamos este nodo de la gente de I al cualo cargamos con instrucciones específicas para decidir A qué agente delegar la consulta del usuario aquí tiene una identificación del tipo de consulta si es de trámites gabinetes programas y eventos justamente es la tool

que va a utilizar referente al tipo de consulta que le di y aquí cada una de estas va a ser el llamado justamente al workflow como vemos aquí agente p sociales es este mismo de aquí agente de programas sociales sí en este otro donde tenemos el de gabinete va a llamar justamente a este workflow de agente gabinete Y por último el agente trámites que nosotros tenemos aquí que estos a su vez van a ser la consulta en estas bases de datos vectoriales Ahora ven cómo todo está cobrando sentido Y por qué fue tan importante el

video que subimos sobre la gente ir rach para poder de ahí escalar a soluciones mucho más complejas como un sistema multiagentes rack No hombre Esto sí está bueno Y es que justamente facilitamos la integración con supabase como una base de datos vectorial optimizando la búsqueda semántica a través de embeddings los beneficios de usar n8n Es que la automatización es sin código tiene una gestión eficiente de agentes en un flujo tiene la escalabilidad para incluir más agentes en el futuro y una interfaz visual intuitiva para modificar flujos sin programación avanzada entonces pasemos directo directamente a la

sección importante la arquitectura del sistema multiagente como ven nosotros aquí tenemos el agente principal el cual va a recibir la consulta del usuario aquí dame más información sobre el trámite de asesorías justamente va a decidir a través de las instrucciones a qué agente especializado va a enviar esta consulta como vemos aquí tomó la decisión de enviársela al de trámites porque el usuario preguntó sobre trámites y Nosotros hemos especificado que utilice esta herramienta cuando el usuario solicite información sobre trámites gobernamentales permisos licencias apostillas o servicios administrativos que se puede ir puliendo a su vez este agente

entonces consulta a nuestro agente de trámites el cual hace una extracción de la base de datos agente trámites Que justamente Tenemos aquí en nuestra base de datos vectorial donde Busca la información que el usuario a pedido y en este caso justamente devuelve la respuesta a través de aquí el trámite de asesoría responsabilidad está diseñado Para orientar jurídicamente a personas sobre posibilidades para defender como vemos aquí es justamente la última ejecución que se realizó del agente y nosotros vemos que aquí el output es justamente el trámite de asesoría responsabilidad okay Y entonces recibe el llamado del

otro agente y el agente de ella lo lee y decide entonces enviar y estructurar el mensaje de el trámite de la asesoría responsabilidad está diseñado para ofrecer orientación jurídica sobre personas tn todo lo que nos contestó y procede a mandarnos de vuelta a WhatsApp Entonces esto de los agentes especializados tenemos justamente aquí tres agentes especializados cada uno dentro de su área de expertice para programas sociales para preguntas sobre funcion arios de gabinetes nombres de secretarios formaciones académicas o algún cargo público y una muy compleja sobre trámites gubernamentales permisos etcétera Y entonces ya que vimos todo

el funcionamiento les voy a explicar bien cómo funciona cada uno de estos primero de todo la información como vimos en la clase del agente de I rag nosotros tenemos este workflow que al ejecutarlo aquí no lo voy a volver a ejecutar porque ya está cargado Pero entonces nosotros tenemos aquí como Ven para que vea cuando se crea un archivo en cada una de estas carpetas que está dado de alto en mi cuenta de Google Drive que tenemos aquí trámites gabinete y programas sociales y justamente son los que yo tengo aquí de Google Drive tenemos trámites

programas sociales y gabinete donde en cada uno de ellos justamente Tengo estos tres archivos que son las bases de datos de este cliente que nos dio la autorización para mostrar toda la información y podérsela hacer llegar a ustedes Así que agradezco mucho Ramón un saludo y bueno Seguiremos aquí tratando de aportar valor para ayudar a los negocios a automatizar sus procesos y bien justamente les voy a dejar toda la información todos y cada uno de los recursos que veamos en este video así como los tres workflows de extracción de las bases de datos vectoriales el

agente de ia modular ya con las llamadas a estos agentes y workflows de estos tres agentes para que ustedes puedan simplemente ponerlos copiarlos y a crear sus bases de datos con cada uno de sus documentos entonces voy a estar dejando toda la información y los recursos en nuestra comunidad de alquimia Así que dense una vuelta y por ahí los vemos si eres un dueño de negocio y quieres automatizaciones como la que estás viendo en este video no dudes en mandarnos un mensaje en nuestra página de nuestra agencia si tienes más preguntas consúltalo con nuestra gente

de ya Levi y si no directamente agenda una consultoría con nosotros aquí okay Sale entonces como les estaba diciendo nosotros tenemos aquí una base de datos vectorial para cada uno como vemos aquí yo le voy a hacer zoom y aquí en cada una de los inicializadores como ya lo expliqué en el otro video tenemos aquí para cada una de las carpetas donde yo tengo la información cargada de los archivos que ya hemos visto vale donde tienen información okay Y este workflow básicamente lo que hace vamos a ver el funcionamiento de cada uno de ellos sí

lo mismo al final inicia como dig ya lo expliqué descarga el archivo para hacerlo un tipo binario y aquí lo pasa justamente al enrutador que lo identifica como un archivo Excel lo extrae lo agrupa lo pone en una sola línea de json y lo carga en la base de datos vectorial que tenemos nombrada como agente gabinete que en este caso vemos aquí que es esta donde se ha cargado toda la información en estos chunks específicos Okay como Ven aquí utilizamos un modelo de embeddings que va a otorgarles esta representación numérica vectorial para hacer toda esta

base de datos semántica agrupadas por similitud y usamos este que es muy importante este de aquí que es el que básicamente cambia en cada uno de los archivos como vemos aquí nosotros tenemos un tamaño en este caso chun size es el tamaño de carácter y un chunk overlap que es el sobrel pamiento el contexto que va a tener de entre uno y otro y entonces justamente a qué se debe esto y es que va a ser el número de caracteres por chunk y el número de caracteres de contexto que va a tener en cada uno

de ellos como vemos aquí este del contenido va a contener aproximadamente aquí Nosotros le hemos puesto 588 entonces si yo copio este de aquí a un contador de caracteres y lo pego me da muy muy justo 587 que son justamente los que le hemos dado aquí Okay entonces cada uno de estos chunks de estos pedacitos va a ser la cantidad de caracteres que va a tener y en las cuales al final para llenar todo el documento van a ser las filas digamos totales que se capturen en este caso fueron 86 para el de programas sociales

es un poquito más y el de trámites es todavía muchísimo más Okay entonces justamente es la diferencia pero cómo calculamos este número de aquí entonces yo les voy a dejar también este archivo en la comunidad para que puedan checarlo de cómo poder hacer el cálculo y es muy sencillo al final ustedes le van a pedir a chat gpt que haga el cálculo por ustedes Entonces vamos a copiar este y le vamos a pedir a chat gpt simplemente aquí como ven va a detectar Cuál es el formato Cuál son el número de filas el promedio de

caracteres la longitud en base al documento que nosotros le vamos a cargar okay Y aquí justamente también Vienen las mejores prácticas Porque es importante y les voy a poner un ejemplo de salida de cómo me da a mí Okay entonces vamos aquí a chat gpt y le vamos a decir esto okay tengo un documento que quiero dividir en chunks un sistema rack puedes calcular el tamaño óptimo de chunk size y chunk overlap nosotros cargamos aquí el archivo en este caso de trámites que queramos yo lo voy a poner por ejemplo este de programas sociales lo

voy a cargar y le voy a preguntar y listo se lo enviamos empieza a cargar y dice voy a analizar archivo para calcular el tamaño óptimo del chunk size y chunk overlap en función de los datos que contiene Dame un momento empieza a analizarlo voy a analizar la longitud de promedio de la columna y justamente nos pone no la longitud promedio es 569 caracteres longitud mínima 18 eh longitud máxima 3255 saca un promedio y recomiendo 500 caracteres con un overlap de 100 Sí ustedes pueden ser un poco más específicos en la consulta y y les

va a otorgar cuál es la cantidad exacta bien yo por recomendación les diría que esta de 512 y 128 funciona bien para este Rango de archivos cada uno igual esto lo vamos a estar viendo en la comunidad bien a detalle para que aprendan a cómo adecuar este apartado para cada uno de sus archivos bien entonces tomando en cuenta Eso esto lo que permite es cargar toda la información de cada uno de los archivos a cada una de las bases de datos vectoriales Tenemos aquí el agente sociales agente gabinete y el agente trámites no como nosotros

vemos aquí nos regresamos aquí en la base de datos de rag y nosotros tenemos el agente gabinetes sociales y de trámites Entonces ya está esta parte de cómo nosotros vamos a cargar la información a la base de datos y bueno una vez que todos los archivos como ya vieron aquí tiene bastante información cada uno de ellos y ya están cargados en esta base de datos vectorial pasemos a nuestro agente de ia bien donde como ya vieron en los primeros videos que saqué también le voy a dejar el enlace en la descripción de Cómo configurar un

agente de ia para WhatsApp nosotros aquí lo estamos utilizando donde lo inicializa filtra la información si es de tipo audio video imagen o mensaje de texto y se lo manda aquí a nuestro agente de ia el cual recibe la información del usuario y a través de unas instrucciones Nosotros le decimos justamente Cómo comportarse para hacer las llamadas a la gente trámites gabinetes y programas así como gestionar correos y consultas web y podemos agregarle todas las herramientas que queramos mientras lo hagamos de forma ordenada vamos a garantizar que estén funcionando correctamente y vamos justamente a lo

importante bueno justamente aquí Este nodo lo vamos a agregar a la gente como una tool que va a ser call n8n que va a hacer un llamado a otro workflow bien donde vamos a ponerle un nombre una descripción y desde dónde se va a mandar entonces si yo elimino este al final es uno de estos ustedes lo nombran aquí de cómo se va a llamar si el agentes sociales y le vamos a poner una descripción utiliza esta herramienta cuando el usuario pregunte por eventos culturales programas sociales conciertos festivales o actividades en la ciudad y justamente

vamos a hacer lista al workflow que ya hayamos creado como vemos agente de programas sociales es justamente este que nosotros tenemos aquí el cual tiene cargada la base de datos de agente sociales que ya vimos que tiene toda la información de nuestro archivo de programas sociales Okay perfecto entonces Asimismo con el de gabinete agente gabinete activa esta herramienta cuando el usuario quiera saber sobre funcionarios gabinetes nombre de secretarios formación académica experiencia laboral de algún cargo público y hace el llamado a justamente nuestro agente gabinete que es el workflow que nosotros tenemos aquí okay Y por

último al de trámites Que finalmente es para cuando se pregunta sobre trámites gubernamentales permisos licencias etcétera y llama al workflow que tenemos creado aquí de agente trámites entonces bien una vez que ya tengan configurado este workflow de aquí de nuestro agente vamos a pasar al workflow de cada uno de ellos van a tener que crear un workflow para cada uno y una base de datos de cada uno porque hacemos esto y es que si bien Podemos combinar toda la información en una sola base de datos es como tener imagínense un libro que venga sobre recetas

de cocina sobre física cuántica y sobre matemáticas si bien algunas podrían tener relación en alguno de los campos esta de acá está muy lejos de tener una cercanía y como vimos los embeddings clasifican la información por similitud semántica entonces la hora de clasificar toda la información en una base de datos lo único que va a hacer es crear ruido y va a ser mucho más complejo para la gente discernir entre la información que está acá y cuandoo utilizarla de acá por eso utilizamos bases de datos para cada una de ellas ahora bien cómo es que

creamos estas bases de datos nosotros aquí en nuestra base de datos de supabase nos vamos a ir a sql editor donde nosotros vamos a crear estas tres tablas Sí este código de aquí también Se los voy a dejar por ahí para que puedan copiarlo y tenemos aquí el agente gabinete agentes sociales agente trámites los cuales van a tener content o sea el contenido la metadata y los embeddings el tamaño de embeddings que tiene Open Ai que es el smal Okay acuérdense todo esto del otro video Vale y justamente vamos a agregar funciones de búsqueda que

son match gabinet documents match documents y match trámites documents todo este código Se los voy a dejar por aquí en la comunidad para que puedan verlo y puedan copiarlo sin ningún problema okay Y entonces justamente estas funciones de búsqueda son las que vamos a utilizar en cada uno de los agentes como vamos a ver aquí miren yo aquí en cada uno de ellos le puse aquí en opciones Añadir en este caso un nombre de la query que es como ven match socialc como estamos viendo aquí match social documents que es la búsqueda vectorial de esta

tabla que nosotros vamos a crear Asimismo con este el cual justamente le he cargado aquí con la query name de trámites documents Que es el que teníamos aquí match trámites documents y finalmente en el de gabinete que como vemos Tenemos aquí match gabinet documents okay Que tenemos por acá arriba y esto es totalmente necesario para crear las tres tablas en el anterior vimos un ejemplo básico que te da nn para crear una sola tabla pero aquí vamos a ocupar tres por lo que vamos a hacerlo de esta manera Entonces con eso en mente de Cómo

estructurar y cómo crear estas bases de datos ya una vez que se crean estas tablas justamente son las que vamos a cargar a esta base de datos vectorial Una vez que se creen a gente gabinete aquí está y es el que va a cargar todo el archivo Excel a esta base de datos que es justamente el que tenemos aquí Dónde están los nombres secretario gobierno tal información y todo bien estipulado no como Ven aquí pues lo hizo a través de embeddings no estructura toda la información bien y cómo creamos uno de estos agentes bien Lo

importante es esto como ven ustedes aquí si le que dan en la tool que utilizamos dice esta tool llama al workflow que se define en la parte de abajo y busca la respuesta del último nodo que va a tener nuestro agente de ia en este caso es de este último si aquí nosotros tenemos por ejemplo uno de código ese va a ser el resultado que va a llegar a la gente Entonces esto es muy importante tienen que dejarlo siempre en este caso así para que pueda llegar la misma del agente a el otro agente Okay

y justamente dice que necesita iniciar con un nodo de execute workflow Trigger que es justo el que tenemos aquí cuando se ejecuta desde otro workflow y es este nodo de aquí yo lo voy a hacer aquí en uno grande para que lo puedan ver cómo lo construimos y es tan sencillo como esto Buscamos execute que es este execute sub workflow y va a ser aquí en Trigger When execute by another workflow que se juta desde otro workflow como Ven aquí Bueno pues yo lo yo lo tengo pero bueno si yo lo pongo acá When execute

y aquí está como Ven y me dice justamente Qué tipo de Data de entrada voy a utilizar en este caso aquí le vamos a poner que acepte toda todas las queries y todas las datas que le consulte la gente digamos Pues ya están filtradas Entonces no importa ya con la información que llegue será suficiente y aquí simplemente pues agregamos el nodo del agente del Ai agent en este caso aquí nosotros lo vamos a poner como un Tools agent y le vamos a definir aquí en Fuente del mensaje del usuario se la vamos a definir abajo

y va a ser justamente esta de aquí Jason query que es la que va a llegar a través de esta esta no se la tiene que cambiar así tal cual va a funcionar y es la misma para las tres okay Y luego le vamos a dar unas instrucciones como vemos aquí yo le puse que es un extractor de información para consultas sobre trámites gubernamentales etcétera sí que es el agente de trámites por eso Este es el encargado de Pues el formato de la consulta proceso de extracción formato de respuesta consideraciones como vemos a toda madre

Y le vamos a agregar una tool de una supabase vector Store donde vamos a conectar nuestras credenciales de supabase y justamente bueno Aquí yo lo voy a eliminar Para que vean es este mismo le vamos a poner aquí en retrieve documents sí que va a hac la reconducción de los documentos desde la base de datos vectorial utilizándolo como un nodo de Tools agent no que nosotros vemos aquí como una tool Okay y listo le vamos a dar el nombre y una descripción de qué es lo que tiene que hacer debes extraer información solicitada del usuario

en la base de datos de trámites para ello identifi el trámite más relevante en función de la palabra clave con consulta ta ta ta y desde qué tabla lo va a hacer de la de agente trámites que es la que nosotros tenemos aquí agente trámites Okay Vale me van siguiendo espero que sí porque esto está sé que está pesadito pero no quiero hacer muy largo el video Okay luego esto es muy importante Este es el número de mensajes digamos de consultas de búsquedas que va a hacer si hacen match con la consulta que tú das

y te va a regresar como un máximo de tres si hay solo una o tú preguntaste por algo específico como ahorita vamos a ver solamente te va a devolver una y Bueno aquí podemos incluir la metadata y como ya vimos anteriormente el de match tramites documents sí que es la función de búsqueda que nosotros hemos hecho a través de nuestra base de datos vectorial bien Espero que no se me hayan perdido sé que es bastantita información pero bueno era todo para poder explicar cómo es que funciona esta maravilla sé que esto empieza a sonar un

poco más complejo pero créanme que merece totalmente la pena porque así ustedes van haciendo mucho más profesional estas soluciones de agentes de guía para negocios ahora cuánto costaría un agente como estos imagínense una vez teniendo todos nuestros agentes pues vemos aquí que ya también ha quedado cargada con las funciones que hemos puesto nuestras tres bases de datos vectoriales con información de cada uno de los archivos vimos justamente Cuál va a ser el número de los caracteres de cada chunk y el sobrel pamiento para cada uno en este de aquí okay Y entonces todo esto para

garantizar que funcione correctamente vamos Ahora sí a hacer un par de pruebas Entonces yo le voy a poner aquí este de WhatsApp Para irle haciendo las preguntas yo le voy a dar aá aquí en test workflow y vamos a buscar en la base de datos de gabinetes una específica por Juan Pablo Pérez Beltrán Quién es Juan Pablo Pérez Beltrán y van a ver que va a identificar que yo le estoy haciendo una de gabinete porque es justamente cuando pregunto por personas entonces le damos en enviar Sí aquí la recibe y empieza a consultar a la

gente de gabinetes a la base de datos de aquí que nosotros tenemos se acuerdan entonces justamente acaba de llegar la solicitud 2351 No Okay y me la ha devuelto lo que consulta es aquí sí la respuesta que regresó justamente es esta no el secretario y entonces Vamos a ponerle aquí el secretario de obras públicas y vamos a darle aquí Juan Pablo Pérez Beltrán y vemos aquí justamente nos da la de información detallada de la secretaría de Obras Públicas el secretario de obra pública maestría en administración sí diplomados y eh subsecretario okay Que es la información

que tenemos y que nos da acá verdad que es justamente el secretario de oba pública formación académica maestría ingeniería en gestión licenciatura civil y justamente pues es toda la información aquí que nos ha dado de este no ahora vamos a hacerle otra pregunta pero ahora de programas sociales para ver qué funcione no tenemos aquí uno de programas sociales eemplo hay de arte no entonces voy a preguntarle que vamos a ponerle aquí en test workflow Háblame sobre eventos de artes por favor Okay entonces se recibe aquí y justamente también hace el llamado con el de programas

sociales que es el que tiene toda esa información espera le regresa el mensaje y aquí dice aquí tienes algunos talleres de artes disponibles no que es ahorita lo que me va a responder y me pone aquí justamente talleres familiares presenciales en el Museo de Arte de historia de Guanajuato concierto de las montañas artista Carlos Orozco Romero Sí incluso me pone un horario no y me pone para añadirlo al calendario estos eventos permiten disfrutar e interactuar significativas muestras de arte okay Y es justamente pues lo ha sacado de aquí yo voy a buscar miren directamente este

Para que vean pues Que obviamente existe en la base de datos verdad aquí están talleres familiares Yo le doy Y entonces justamente talleres presenciales del Museo del arte no y ahora por ejemplo sobre esta misma pregunta podemos volverle a preguntar ahora para que nos dé el link de este específicamente no va a poner Dame el link con más información sobre este de museo del Museo del arte presencial Sí y vamos a ver si como ven empieza otra vez a consultarlo con el de programas sociales entendiendo en base a la respuesta que nos dio Okay la

está estructurando y vamos a ver justamente Aquí está me envía el link directamente del taller familiar presencial de Museo de Arte e historia de Guanajuato el cual justamente tiene lugar tal y toda la información y hasta para agregar al calendario entonces hace también correctamente la segmentación de toda la información y me dice aquí no ya todos si necesitan más información adicional Bueno pues como vemos aquí con con el promt que le habíamos dado pues es la forma en la que está contestando verdad y hace la extracción correcta y ahora vamos a hacer una última pregunta

sobre este de aquí que es de los más importantes que tiene trámites donde tiene bastante pero bastante información vamos a preguntarle también por algo relativamente ambiguo yo le voy a poner Dame información sobre licencias de conducir no en este caso Yo estoy viendo a ver qué info me da como Ven aquí llega la query y Aquí empieza a utilizar ahora la tool de trámites Okay que es la que nosotros tenemos aquí que tiene a su vez pues la información entonces aquí me la está dando y como ven me da justamente la licencia tipo b utilizada

principalmente usos verticular y la licenci de conducir AC o d y nosotros vamos aquí a filtrar por el nombre licencias y miren justamente está y renovación de licencias en este caso es la expedición y me pone aquí justamente las de tipo AC d y la tipo b Okay donde justamente me da toda la información Aquí también de cada una no Si necesitas más información pues le vamos preguntando Entonces ven que también relativamente ambigua lo responde sin problema verdad Y entonces vamos a hacerle a una pregunta ahora por la de trámites para ver si nos responde

correctamente Okay en este caso yo le voy a preguntar algo muy concreto aquí sobre algo común aquí en México de la CP se lo voy a enviar en audio y le voy a decir que me dé el enlace para poderla tramitar Entonces vamos a ponerle aquí hola dame más información sobre Cómo obtener mi kurp y dame el enlace para poder tramitarlo gracias Sí yo se le envío vemos aquí que ahora va a correr por la parte del audio hace la transcripción sí llega aquí a través de justamente y me ha dado la respuesta del sitio

web del gobierno y me da justamente la liga para yo tramitar mi kurp okay Y como vemos aquí en el agente pues le llega eso no H Dame la información sobre Cómo obtener mi kurp etcétera Okay y Bueno chicos con esto llegamos al final para que ya no se haga mucho más largo el video bien y con todo esto Entonces ya vimos Cómo construir un sistema rag completo que almacene toda la información en nuestra base de datos vectorial para un agente que sea el project manager que se comunique con todos los subagentes y con configurar

cada uno de estos agentes a su vez para que recolecte esta información de cada una de las bases de datos Entonces como vemos tenemos un sistema muy pero muy completo que puede garantizar consultas de un gobierno Estatal entero Así que imagínense con ese nivel de información para otro tipo de negocios lo que pueden hacer y bien Es que entonces con este enfoque puedes construir un sistema multi escalable eficiente y fácil de administrar usando n8n si te gustó el video pues suscríbete y déjame en los comentarios Qué otros proyectos quieres que hagamos así que sin más

me despido en esta ocasión Agradeciendo a cada uno de ustedes por su tiempo y esperando traerles Mucho valor pásense por nuestra comunidad donde vamos a estar también ahí de full metiéndole para que aprendan y aprovechen esta ola de la ía y sin más pues yo voy a regresar con más proyectos como este así que nada chicos Les mando un fuerte abrazo nos vemos a la próxima chao