Automatización con IA (Automating with AI)

Yastubo no solo es un motor transaccional, es un sistema inteligente. Mediante el uso de Google Gemini 1.5 Flash y una arquitectura de RAG (Retrieval-Augmented Generation), la plataforma asiste a los usuarios en la toma de decisiones y el análisis de riesgos.

Core Benefits

• RAG Contextual: La IA no alucina; responde basándose en documentos de conocimiento específicos del company.
• Memoria de Conversación: Seguimiento del historial para diálogos coherentes.
• Procesamiento Vectorial: Uso de pgvector en PostgreSQL para búsquedas semánticas ultra-rápidas.
• Multimodalidad: Preparado para analizar documentos, PDFs y chats en un solo flujo.

Deep Dive Técnico

1. El Ciclo de RAG

El sistema no envía el prompt del usuario directamente a Gemini. Primero, realiza una búsqueda de similitud en la base de datos vectorial:

1. Embedding: Se genera un vector del mensaje del usuario usando text-embedding-004.
2. Búsqueda Vectorial: Se obtienen los 5 fragmentos más relevantes de la base de conocimientos (KnowledgeDocument).
3. Augmentación: Se inyectan estos fragmentos como contexto en el System Prompt.

2. Memoria de Sesión

Cada conversación se identifica por un session_id. El sistema recupera los últimos 10 mensajes para mantener el hilo conductor sin sobrecargar el contexto de la ventana (context window).

Tip

La memoria es persistente. Un usuario puede cerrar su sesión y volver horas después para continuar su consulta con el asistente de IA.

Ejemplo de Implementación

Lógica central del chat con contexto (app/modules/ai/service.py):

async def chat_with_context(
    self, db: AsyncSession, company_id: uuid.UUID, session_id: str, message: str
) -> str:
    # 1. Recuperar contexto vectorial (RAG)
    docs = await self.get_relevant_documents(db, company_id, message)
    context_text = "\n".join([d.content for d in docs])

    # 2. Recuperar historial reciente
    history = await self.get_recent_history(db, session_id, limit=10)

    # 3. Construir el Prompt Maestro
    full_prompt = f"""
    Eres un experto en seguros de Yastubo.
    Responde solo con base en este CONTEXTO: {context_text}

    HISTORIAL: {history}
    USUARIO: {message}
    """

    # 4. Generación asíncrona con Gemini
    response = await self.model.generate_content_async(full_prompt)

    # 5. Guardar respuesta para persistencia
    await self.save_message(db, session_id, "assistant", response.text)

    return response.text

Explicación de Pasos Clave:

1. get_relevant_documents: Utiliza el operador de distancia de coseno de pgvector para encontrar la información más cercana semánticamente.
2. generate_content_async: Al ser asíncrono, no bloquea el servidor FastAPI mientras espera la respuesta de la API de Google.
3. KnowledgeDocument: Cada documento en la base de conocimientos está vinculado a un company_id, garantizando el aislamiento de datos entre diferentes socios.

Diagrama de Proceso

[FLOW: El nodo “Usuario” con contenido “Pregunta por cobertura” se conecta al nodo “Embedding Engine” con contenido “text-embedding-004”, el cual realiza una búsqueda en el nodo “pgvector DB”. Los resultados se inyectan en el nodo “Gemini 1.5 Flash” junto con el historial para devolver una “Respuesta Contextual”].