Resumen
¿Cómo consultar tablas y documentos con agentes y workflows de LangGraph?
El caso de gestión de campañas utiliza ocho tablas relacionadas con ofertas, segmentos, canales e interacciones. Se cargan archivos CSV y se revisan los comentarios de columnas que aportan contexto a Select AI. Los documentos de préstamos en PDF se incorporan con OCI Document Understanding y se preparan para RAG con LangChain y Oracle AI Vector Search.
La demostración compara cuatro patrones de LangGraph. Un agente selecciona entre Select AI y RAG según la consulta; después se prueban la paralelización de ambas herramientas, el routing configurado y un orquestador con tareas predefinidas que reúne los resultados mediante un sintetizador.
Se consulta información sobre ofertas de préstamos, se copia el SQL generado y se contrasta su resultado en Autonomous. También se recupera contenido de los PDF. El recorrido integra datos relacionales y documentales centralizados en Oracle Autonomous Database, con la asistencia de OCI Generative AI.
Inicio
La demostración presenta un caso financiero de gestión de campañas para combinar datos relacionales y documentos. El recorrido compara distintas formas de organizar las consultas con agentes y workflows de LangGraph.
Caso de gestión de campañas y modelo de datos
El caso utiliza un modelo de ocho tablas relacionadas con campañas, ofertas, segmentos, canales e interacciones de usuarios. Se recorren las relaciones entre campañas y segmentos, campañas y ofertas, y los canales asociados. Este modelo aporta la parte relacional del ejemplo: las preguntas posteriores sobre préstamos se apoyan en las tablas centralizadas en Autonomous.
Carga de tablas CSV y comentarios de columnas
Se utiliza el asistente de carga para incorporar las tablas desde archivos CSV. El expositor destaca los comentarios de columnas como contexto para que Select AI interprete los campos y sus relaciones. Las descripciones explican, por ejemplo, cómo una llave foránea se relaciona con otra tabla. Tras la carga se dispone del modelo relacional en Autonomous para formular preguntas en lenguaje natural.
Ingesta de PDF con OCI Document Understanding
Después de la carga de tablas se incorporan documentos de préstamos personales en PDF mediante OCI Document Understanding. Esta segunda fuente complementa los datos relacionales con contenido documental, preparando la información que se consultará con RAG en los ejemplos siguientes.
Revisión de tablas y datos en Autonomous
En la base de datos Autonomous se comprueba la presencia de las tablas cargadas. Se explora la tabla de campañas y se revisan los comentarios agregados a sus columnas. Después se localiza la tabla de documentos, enlazando la revisión del modelo relacional con la preparación de las consultas documentales.
Texto, metadatos y embeddings para RAG
Se consulta la tabla de documentos y se revisan los campos de texto, metadatos y embeddings. El expositor relaciona esta estructura con las bibliotecas de Oracle AI Vector Search y LangChain que utilizará la recuperación documental. El contenido y su representación vectorial preparan la búsqueda de información para responder preguntas mediante un LLM.
Agente con herramientas Select AI y RAG
El primer ejemplo conecta un agente con dos herramientas: una consulta los datos relacionales mediante Select AI y la otra recupera información documental con RAG. Ambas utilizan información centralizada en Autonomous. El recorrido muestra cómo el agente elige una herramienta según la solicitud, antes de comparar este comportamiento con los workflows de los capítulos posteriores.
Consulta de ofertas con Select AI
Se pregunta por las ofertas de campañas de préstamos con un plazo mayor a 24 meses y se solicita utilizar Select AI. El agente dirige la consulta a esa herramienta, recibe su respuesta y la presenta al usuario. La demostración deja disponible el SQL generado para comprobar el resultado directamente en el esquema de la base de datos.
Validación de la consulta SQL en Autonomous
Se copia el SQL generado y se ejecuta en el esquema de Autonomous que contiene las tablas del ejemplo. La consulta no devuelve filas, en coincidencia con la respuesta del asistente: no se encontraron ofertas de préstamos con un plazo mayor a 24 meses. Esta comprobación contrasta el mensaje en lenguaje natural con el resultado real de la consulta.
Consulta de documentos mediante RAG
La siguiente pregunta se relaciona con los documentos cargados. En esta ocasión el agente utiliza la herramienta de RAG y recupera información relevante para la consulta. El ejemplo permite observar la elección de una herramienta documental frente a la consulta relacional anterior, manteniendo ambas fuentes dentro de Autonomous.
Paralelización y agregación de respuestas
El workflow de paralelización envía una misma consulta a las dos herramientas, Select AI y RAG. La prueba pregunta por clientes que han solicitado un préstamo personal por un importe superior a 10000. Después, un agregador reúne la información recibida para producir una respuesta compuesta. El expositor señala que esa síntesis puede organizarse de distintas maneras según la configuración del flujo.
Routing entre Select AI y RAG
El tercer ejemplo utiliza routing para dirigir la consulta hacia una herramienta según la lógica configurada. Se repite una pregunta anterior y la ruta seleccionada va a RAG; el expositor explica que ese comportamiento fue preconfigurado. Una consulta posterior sobre documentos PDF también sigue esa ruta. Las pruebas muestran cómo la configuración determina la herramienta utilizada, en lugar de enviar siempre la consulta a ambas.
Orquestador, tareas y síntesis de resultados
El orquestador trabaja con tareas específicas y predefinidas, como preparar un reporte o un análisis. El recorrido presenta una breve introducción con la tarea que recibirá el LLM y distribuye peticiones a las herramientas de Select AI y RAG. Ambas buscan información para atenderla y un sintetizador reúne sus resultados; en el ejemplo se describe una concatenación para compartir la respuesta con el usuario.
Integración de los componentes y cierre
El cierre reúne los componentes del caso: LangGraph organiza agentes y workflows, OCI Generative AI asiste las consultas y Oracle AI Vector Search permite recuperar información documental en Autonomous. El recorrido termina mostrando cómo centralizar preguntas en lenguaje natural sobre fuentes relacionales y documentos.
Recursos relacionados
- Oracle AI LangGraph — Código y guía del proyecto
- LangGraph — Agentes, paralelización, routing y orquestación
- Oracle Select AI — Consultas en lenguaje natural
- Oracle AI Vector Search — Integración con LangChain
- OCI Document Understanding — Procesamiento de documentos
- OCI Generative AI — Primeros pasos con los modelos