Objetivo

Definir una arquitectura simple, escalable y medible que soporte: preguntas y respuestas (RAG), extracción de datos y automatizaciones básicas.

Componentes esenciales

• Frontend (web/app): UI que envía consultas y muestra resultados.
• API Laravel: endpoints, auth, validación y rate limits.
• Queue/Workers: ejecución asíncrona (Jobs para LLM/RAG).
• Vector Store: embeddings + metadatos para recuperación.
• Servicio LLM: proveedor elegido con métricas de uso.
• n8n: orquestador para webhooks, postprocesos y notificaciones.
• Observabilidad: logs, trazas, costos, latencias (p95).
• Base de datos: resultados, auditoría, permisos, historial.

Flujos básicos

1. Q&A con RAG: Frontend → API → Job (recupera Top-K) → LLM → respuesta con citas → almacena trazas.
2. Extracción: API → Job → LLM con schema JSON → validación → guarda entidad (ej. contactos/facturas).
3. Automatización: evento (webhook/cron) → n8n → llama API/LLM → notifica por email/Slack.

Ambientes y despliegue

• Dev: llaves de prueba, logs verbosos.
• Staging: datos anonimizados, pruebas de carga.
• Producción: llaves separadas, políticas de rotación y backups.

Tip: usa variables .env para modelos, precios y límites (MAX_TOKENS, TOP_K, TIMEOUT_MS).

Seguridad y cumplimiento mínimo

• PII: desidentificar al ingresar; registra solo lo necesario.
• Permisos: tenancy/scoping por usuario/empresa.
• Guardrails: moderación de entrada/salida y whitelist de herramientas.
• Auditoría: guarda prompts, contextos y decisiones clave.

Costos bajo control

• Prompts compactos y max_tokens limitados.
• Top-K reducido con buenos filtros por metadatos.
• Caching de respuestas repetitivas y plantillas.
• Alertas si costo p95 excede umbral.

Micro-workflows en n8n

1. QA Pipeline: Webhook → consulta vector store → LLM → formatea → Email.
2. Alertas: Cron → lee métricas (DB) → IF p95/costo altos → notifica Slack.
3. ETL semántico: Cron → descarga docs → chunking → embeddings → upsert.

Errores comunes

• Ignorar observabilidad (sin trazas, sin costos, sin p95).
• Meter documentos completos en lugar de fragmentos con metadatos.
• Sin desacople (todo en una misma request bloqueante, sin cola).
• Ambientes mezclados y llaves compartidas (riesgo alto).

Conclusión

Con esta arquitectura mínima lanzas rápido sin hipotecar el futuro. A partir de aquí, escala por cuellos de botella: recuperación, costos y latencia.

← Anterior: Agentes inteligentes: cuándo usarlos y cuándo evitarlos

Siguiente: Prompting con intención de negocio: cómo pedirle a la IA lo que realmente quieres →