Resumen del flujo de trabajo

Este es un sistema de generación de descripciones de productos basado en la arquitectura RAG (Retrieval-Augmented Generation). Recibe solicitudes de información de productos mediante webhook, combina la recuperación de contexto relevante desde una base de datos vectorial y utiliza inteligencia artificial para generar descripciones de alta calidad, registrando los resultados en Google Sheets.

Arquitectura del flujo de trabajo

Mecanismo de activación

• Webhook Trigger: Endpoint POST /product-description-generator que recibe solicitudes externas para generar descripciones de productos.

Flujo de procesamiento de datos

1. Preprocesamiento de texto

• Text Splitter: Divide el texto de entrada en fragmentos.
  • Tamaño del fragmento: 400 caracteres
  • Solapamiento: 40 caracteres
  • Asegura coherencia textual y preservación del contexto

2. Almacenamiento vectorizado

• Embeddings (Cohere): Genera vectores de incrustación usando el modelo Cohere embed-english-v3.0.
• Pinecone Insert: Almacena los textos vectorizados en la base de datos vectorial Pinecone.
  • Modo: insert
  • Nombre del índice: product_description_generator

3. Recuperación y generación

Recuperación vectorial

• Pinecone Query: Recupera información relevante sobre productos desde la base de datos vectorial.
• Vector Tool: Encapsula la capacidad de recuperación como una herramienta del agente RAG.

Generación con IA

• Chat Model (Anthropic): Utiliza Claude como modelo de lenguaje.
• Window Memory: Mantiene el contexto de la conversación para permitir interacciones multivueltas.
• RAG Agent: Nodo central del agente.
  • Indicación del sistema: "You are an assistant for Product Description Generator"
  • Integra resultados de recuperación vectorial y memoria de conversación
  • Genera descripciones de producto que cumplen con los requisitos

Salida y monitoreo

Procesamiento exitoso

• Append Sheet: Añade los resultados al final de Google Sheets.
  • Documento: Product Description Generator
  • Hoja: Log
  • Campos registrados: Status

Manejo de errores

• Slack Alert: Envía notificaciones de error al canal #alerts.
  • Formato del mensaje: "Product Description Generator error: {mensaje de error}"

Pila tecnológica

Componentes de IA/ML

• Base de datos vectorial: Pinecone
• Modelo de incrustación: Cohere embed-english-v3.0
• Modelo de lenguaje: Anthropic Claude
• Sistema de memoria: Window Buffer Memory

Servicios integrados

• Webhook: Interfaz HTTP POST
• Google Sheets: Registro de datos
• Slack: Notificaciones de alerta

Flujo de datos

Solicitud Webhook 
  ↓
División de texto 
  ↓
Incrustación vectorial (Cohere)
  ↓
[Rutas paralelas]
  ├─→ Almacenamiento vectorial (Pinecone Insert)
  └─→ Recuperación vectorial (Pinecone Query)
        ↓
      Vector Tool
        ↓
    RAG Agent (integra resultados de recuperación + memoria de conversación + Claude)
        ↓
    [Bifurcación condicional]
      ├─→ Éxito: Registro en Google Sheets
      └─→ Fallo: Alerta en Slack

Características clave

1. Arquitectura RAG: Combina recuperación vectorial e IA generativa para garantizar precisión en las descripciones.
2. Mantenimiento de contexto: Window Memory permite interacciones conversacionales.
3. Procesamiento por fragmentos: División inteligente del texto para manejar entradas largas.
4. Trazabilidad: Google Sheets registra todos los estados de procesamiento.
5. Monitoreo de errores: Alertas en tiempo real mediante Slack para una respuesta rápida.

Casos de uso

• Generación automática de descripciones para comercio electrónico
• Optimización masiva de descripciones de SKU
• Creación de contenido multilingüe para productos
• Reescritura de descripciones basada en datos históricos

Requisitos de configuración

Credenciales API

• API de Cohere (servicio de incrustación)
• API de Pinecone (base de datos vectorial)
• API de Anthropic (modelo de lenguaje)
• OAuth2 de Google Sheets (registro de datos)
• API de Slack (notificaciones de alerta)

Configuración de Pinecone

• Nombre del índice: product_description_generator
• El índice debe crearse previamente y configurarse con una dimensión compatible con el modelo de Cohere.