Cómo Construir un Agente de IA con RAG y Base Vectorial para WhatsApp con N8N

Los chatbots convencionales basados en árboles de decisión rígidos ya no son suficientes para los negocios modernos. Con la arquitectura RAG (Retrieval-Augmented Generation), es posible crear agentes de Inteligencia Artificial capaces de consultar bases de conocimiento vivas y atender clientes por WhatsApp con respuestas precisas, humanas y orientadas a la venta.

¿Qué es la Arquitectura RAG y por qué revoluciona la atención al cliente?#

Uno de los principales problemas de utilizar modelos de lenguaje como GPT-4o, Claude 3.5 Sonnet o Gemini 1.5 Pro sin contexto es que no conocen la información interna de tu empresa: tu catálogo de productos actualizado, listas de precios, disponibilidad de stock, políticas de garantía o FAQs específicas.

La técnica RAG (Retrieval-Augmented Generation) resuelve este problema en tres etapas:

1. Indexación: Tu catálogo, documentos PDF o base de datos se transforman en representaciones matemáticas (vectores numéricos o embeddings) y se almacenan en una base de datos vectorial (como PostgreSQL con pgvector en Supabase o Qdrant).
2. Búsqueda Semántica: Cuando un usuario envía un mensaje a WhatsApp (ej. "¿Tienen departamentos de 2 dormitorios en Miraflores con cochera?"), el sistema busca por similitud semántica los fragmentos más relevantes dentro de tu base de conocimiento.
3. Generación Aumentada: El modelo de IA recibe la consulta del usuario acompañada del contexto exacto encontrado y genera una respuesta precisa, personalizada y sin alucinaciones.

Componentes del Stack: N8N + Supabase Vector + Evolution API#

Para construir este sistema sin incurrir en costos mensuales exorbitantes de plataformas cerradas de chat, utilizamos una arquitectura Self-Hosted de alto rendimiento:

• N8N (Self-Hosted en VPS con Docker): Orquestador de flujos de automatización que gestiona los agentes de IA, nodos de memoria conversacional y llamadas a herramientas (Tool Calling).
• Evolution API / Baileys: Microservicio para conectar instancias de WhatsApp mediante escaneo de código QR de manera estable y escalable.
• Supabase Vector (pgvector): Base de datos relacional y vectorial para almacenar documentos, productos y el historial de chats.
• OpenAI / Anthropic / Google AI: Modelos de embeddings (text-embedding-3-small) y modelos generativos para razonamiento y estructuración de respuestas.

Flujo de Trabajo en N8N: Paso a Paso#

El flujo en N8N se compone de 4 bloques principales:

[ WhatsApp Webhook (Evolution API) ]
                 │
                 ▼
     [ Agente IA (AI Agent Node) ]
        ├── [ Memoria: Window Buffer / PostgreSQL ]
        ├── [ Herramienta: Supabase Vector Store (RAG) ]
        └── [ Herramienta: CRM Lead Tracker (Webhook/API) ]
                 │
                 ▼
[ Enviar Mensaje WhatsApp (Evolution API Node) ]

1. Configuración de la Búsqueda Vectorial (PostgreSQL + pgvector)#

En Supabase, habilitamos la extensión vector y creamos una tabla para almacenar los fragmentos de conocimiento con su embedding:

-- Habilitar extensión pgvector
CREATE EXTENSION IF NOT EXISTS vector;

-- Tabla de documentos para RAG
CREATE TABLE knowledge_base (
  id UUID PRIMARY KEY DEFAULT gen_random_uuid(),
  title TEXT NOT NULL,
  content TEXT NOT NULL,
  category TEXT DEFAULT 'general',
  metadata JSONB,
  embedding VECTOR(1536) -- Tamaño para text-embedding-3-small de OpenAI
);

-- Función de búsqueda por similitud de coseno
CREATE OR REPLACE FUNCTION match_knowledge (
  query_embedding VECTOR(1536),
  match_threshold FLOAT,
  match_count INT
)
RETURNS TABLE (
  id UUID,
  title TEXT,
  content TEXT,
  similarity FLOAT
)
LANGUAGE sql STABLE
AS $$
  SELECT
    id,
    title,
    content,
    1 - (knowledge_base.embedding <=> query_embedding) AS similarity
  FROM knowledge_base
  WHERE 1 - (knowledge_base.embedding <=> query_embedding) > match_threshold
  ORDER BY similarity DESC
  LIMIT match_count;
$$;

2. Prompt del Sistema y Control de Derivación a Asesor Humano#

El Prompt del Sistema (System Prompt) define el tono, límites de actuación y los criterios para derivar la conversación a un asesor humano cuando se detecta intención de compra en firme o una queja crítica:

Eres "Sofía", la asesora virtual experta de [Nombre de Empresa]. Tu objetivo es resolver consultas de clientes con calidez, profesionalismo y orientar la conversación hacia la cotización o reserva.

REGLAS OBLIGATORIAS:
1. Responde ÚNICAMENTE utilizando la información provista en la base de conocimiento vectorial.
2. Si no conoces un dato específico o no está en la base de datos, NO inventes. Ofrece amablemente transferir al usuario con un asesor humano especializado.
3. Mantén respuestas concisas de máximo 2 o 3 párrafos para que sean fáciles de leer en WhatsApp.
4. Cuando el cliente solicite una cotización formal o agendar una cita, solicita su Nombre, Correo y Fecha tentativa antes de ejecutar la herramienta de registro de Lead.

Ventajas Competitivas para Negocios y Empresas#

Implementar un agente de IA con RAG en WhatsApp ofrece beneficios medibles desde la primera semana:

• Disponibilidad 24/7: Atención inmediata a altas horas de la noche o fines de semana cuando la mayoría de competidores no responden.
• Reducción de costos operativos: Hasta un 70% de las consultas repetitivas de clientes son resueltas de inicio a fin por el agente de IA.
• Cierre de ventas más rápido: El agente califica el lead, recopila sus requerimientos y entrega la información lista al equipo de ventas humanas para el cierre.

Implementa tu Propio Agente de IA para WhatsApp#

Construir un agente de IA robusto requiere una adecuada arquitectura de datos, gestión de memoria conversacional y salvaguardas para proteger la imagen de tu empresa.

¿Quieres implementar un agente de IA con base de conocimiento para tu empresa o tienda online? Contáctanos para diseñar una solución a medida o consulta nuestros servicios de automatización e IA.