Agentes de Inteligencia Artificial con RAG y LangChain para Soporte al Cliente en WhatsApp con N8N

La atención al cliente a través de WhatsApp es el canal con mayor tasa de apertura y conversión en América Latina y España. Sin embargo, los chatbots basados en reglas o árboles de decisión rígidos frustran a los clientes y no resuelven consultas complejas. Al combinar agentes autónomos de IA, recuperación aumentada por generación (RAG), LangChain y N8N self-hosted, es posible desplegar asistentes 24/7 que comprenden lenguaje natural, consultan manuales técnicos y resuelven tickets con precisión humana.

Arquitectura del Agente de IA para WhatsApp en N8N#

El sistema integra un ciclo de razonamiento (ReAct framework) con base de conocimiento vectorial:

[Mensaje de WhatsApp del Cliente]
               │
               ▼
[Evolution API / WhatsApp Business Cloud]
               │ (Webhook POST)
               ▼
   [N8N Workflow - Webhook Node]
               │
               ▼
  [AI Agent Node (LangChain ReAct)]
        │                    │
        ├── Memoria Buffer   ├── Herramienta RAG (Vector Store)
        │   (PostgreSQL /    │   (Supabase / pgvector Embeddings)
        │    Redis Window)   │
        │                    ├── Herramienta CRM / Consultas SQL
        │                    │   (Verificar estado de pedido)
        │                    │
        ▼                    ▼
   [Modelo LLM (OpenAI / Claude / Gemini)]
               │
               ▼
   [Generación de Respuesta Precisa]
               │
               ▼
   [Envío de Respuesta a WhatsApp]

1. Configuración de la Base Vectorial (Supabase + pgvector)#

Para que el agente responda preguntas técnicas sobre productos, precios y políticas sin inventar respuestas (evitando alucinaciones), indexamos la documentación corporativa en fragmentos vectorizados (chunks):

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

-- Tabla para almacenar fragmentos de conocimiento
CREATE TABLE knowledge_documents (
  id BIGSERIAL PRIMARY KEY,
  content TEXT NOT NULL,
  metadata JSONB,
  embedding VECTOR(1536) -- Para embeddings text-embedding-3-small
);

-- Crear índice HNSW para búsquedas vectoriales ultrarrápidas
CREATE INDEX ON knowledge_documents 
USING hnsw (embedding vector_cosine_ops)
WITH (m = 16, ef_construction = 64);

-- Función para buscar documentos por similitud de coseno
CREATE OR REPLACE FUNCTION match_knowledge_documents (
  query_embedding VECTOR(1536),
  match_count INT,
  filter JSONB DEFAULT '{}'
)
RETURNS TABLE (
  id BIGINT,
  content TEXT,
  metadata JSONB,
  similarity FLOAT
)
LANGUAGE plpgsql
AS $$
BEGIN
  RETURN QUERY
  SELECT
    kd.id,
    kd.content,
    kd.metadata,
    1 - (kd.embedding <=> query_embedding) AS similarity
  FROM knowledge_documents kd
  WHERE kd.metadata @> filter
  ORDER BY kd.embedding <=> query_embedding
  LIMIT match_count;
END;
$$;

2. Configuración del AI Agent en N8N#

En N8N, utilizamos el nodo AI Agent configurado con las siguientes herramientas (Tools):

1. Vector Store Tool (RAG): Conecta con Supabase pgvector usando OpenAI Embeddings. Recupera los 3 fragmentos más relevantes con un umbral de similitud superior a 0.78.
2. PostgreSQL Tool (Consulta de Pedidos): Permite al agente ejecutar consultas parametrizadas para revisar el estado de una orden ingresando el DNI o número de guía.
3. Memory Window Node: Mantiene el contexto de los últimos 10 mensajes del chat usando el número de teléfono del cliente como clave única.

{
  "name": "Agente IA Soporte WhatsApp",
  "nodes": [
    {
      "parameters": {
        "httpMethod": "POST",
        "path": "whatsapp-incoming",
        "responseMode": "responseNode"
      },
      "name": "Webhook WhatsApp",
      "type": "n8n-nodes-base.webhook",
      "typeVersion": 1,
      "position": [100, 300]
    },
    {
      "parameters": {
        "promptType": "define",
        "text": "={{ $json.body.data.message.conversation || $json.body.data.message.extendedTextMessage.text }}",
        "systemMessage": "Eres el Asistente Técnico y Comercial de Brayan Developer. Responde de forma amable, precisa y concisa en español. Utiliza la herramienta de Base de Conocimiento para responder dudas de servicios y presupuestos. Si el cliente solicita hablar con un humano, indícale amablemente que un asesor se conectará en breve."
      },
      "name": "AI Agent",
      "type": "@n8n/n8n-nodes-langchain.agent",
      "typeVersion": 1.6,
      "position": [400, 300]
    }
  ]
}

3. Manejo de Escalado Asistido a Asesores Humanos#

Un sistema de soporte con IA debe reconocer cuándo una incidencia supera sus capacidades o cuando el cliente solicita atención personalizada:

[Evaluación del Agente]
  ├── Si confianza > 85% ──> Responde inmediatamente por WhatsApp
  └── Si confianza < 85% o "hablar con humano":
        ├── Marca el ticket como "ESCALADO" en la base de datos
        ├── Notifica por Slack/Telegram al equipo de soporte
        └── Envía mensaje: "He transferido tu caso a un asesor humano. Te atenderemos en breves minutos."

Comparativa: Chatbots Tradicionales vs Agentes IA con RAG#

Conclusión#

Integrar agentes de Inteligencia Artificial con RAG y LangChain en N8N permite automatizar hasta el 80% de las consultas repetitivas de soporte en WhatsApp, reduciendo el tiempo de respuesta a menos de 3 segundos y elevando la satisfacción del cliente.

¿Deseas implementar un agente de IA entrenado con la documentación de tu empresa para atender WhatsApp 24/7? Revisa nuestros servicios de Automatización e Inteligencia Artificial o solicita una demostración en vivo.