Construyendo un Agente de Viajes Inteligente

En este recorrido, aprenderás a aprovechar las capacidades de MongoDB Atlas, que incluye la memoria persistente y las funciones avanzadas de búsqueda semántica para ofrecer recomendaciones personalizadas para viajes.

Ventajas de Usar MongoDB Atlas

• Memoria persistente: Captura y recuerda el historial de conversaciones en diferentes sesiones.
• Búsqueda semántica de alto rendimiento: Permite realizar consultas de similitud en milisegundos sobre miles de millones de vectores.
• No-code friendly: Uso de nodos en n8n; sin necesidad de gestionar infraestructura.
• Escalable y seguro: Construido sobre MongoDB Atlas completamente gestionado.
• Integración fácil: Compatible con modelos de incrustación como OpenAI.

Descripción General del Flujo de Trabajo

1. Entrada del usuario: El usuario interactúa con el Agente de Viajes AI proporcionando detalles sobre sus preferencias.
2. Reconocimiento de intenciones: El modelo AI analiza la entrada del usuario para comprender su intención.
3. Recuperación de datos: El agente obtiene datos relevantes de MongoDB y fuentes externas.
4. Recomendaciones personalizadas: Genera recomendaciones de viaje basadas en la intención del usuario y datos recuperados.
5. Optimización del itinerario: Mejora el itinerario en función de varios factores.
6. Experiencia interactiva: El usuario puede interactuar para refinar el itinerario.
7. Aprendizaje continuo: El modelo AI aprende de las interacciones para mejorar futuras recomendaciones.

Requisitos Previos

• Un proyecto y clúster de MongoDB Atlas (se recomienda M10+).
• Claves API de:
• Gemini (Google AI Studio) o OpenAI.
• Un índice vectorial creado en la colección objetivo.

Pasos para Construir un Agente de Viajes AI

Paso 1: Configuración de credenciales

• Configura tus credenciales de API de Google para el modelo Gemini.
• Configura tus credenciales de OpenAI para los nodos de incrustación.

Paso 2: Provisión de MongoDB Atlas

• Provisiona un proyecto y clúster en MongoDB Atlas.
• Configura tus credenciales de MongoDB en n8n.
• Crea un índice en tu colección points_of_interest:

// nombre del índice: "vector_index"
{
  "fields": [
    {
      "type": "vector",
      "path": "embedding",
      "numDimensions": 1536,
      "similarity": "cosine"
    }
  ]
}

Paso 3: Ingesta de datos

Envía datos al flujo a través de un webhook para poblar tu colección points_of_interest con registros vectorizados.

curl -X POST "https://<tu-instancia-n8n>/webhook-test/ingest" \
  -H "Content-Type: application/json" \
  -d '{
    "point_of_interest": {
      "title": "Torre Eiffel",
      "description": "Iconica torre de hierro situada en los Campos Elíseos."
    }
  }'

Paso 4: Prueba de tu agente

• Consulta a tu agente preguntas como: “¿Dónde debería ir para una escapada romántica?”.
• El agente utilizará el índice de búsqueda vectorial para encontrar puntos de interés relevantes.

Conclusión

Al finalizar este proceso, tendrás un flujo de trabajo de inteligencia artificial capaz de:

• Funcionar como un bot de conocimiento o asistente interno.
• Conectarse a documentos empresariales o catálogos de productos.
• Proporcionar contexto a lo largo del tiempo mediante memoria almacenada.
• Expansión con herramientas como Zapier o disparadores de webhook.

Así que, ¡manos a la obra! Puedes adaptar este flujo a múltiples aplicaciones, como bots de soporte al cliente, asistentes personales, o herramientas de búsqueda dentro de la documentación.