Agentes para Text-to-SQL: la receta mágica para interactuar con bases de datos

¿Alguna vez has soñado con hablar con tu base de datos como si charlaras con un colega? El surgimiento de las soluciones text-to-SQL nos ha acercado a esta realidad: un mundo donde los perfiles empresariales pueden obtener información de sus datos sin escribir una sola línea de código SQL.

Como desarrollador de IA trabajando en la intersección de modelos de lenguaje y bases de datos, he sido testigo de una transformación fascinante en la forma en que interactuamos con los datos. Cuando ChatGPT apareció, uno de mis clientes planteó una pregunta aparentemente simple: «¿Podríamos conectar ChatGPT a nuestras bases de datos para realizar consultas en lenguaje natural?». Aunque muchos podrían optar por un pipeline RAG (Retrieval-Augmented Generation), descubrí que construir un agente de IA dedicado produciría resultados mucho más potentes, especialmente cuando se trata de bases de datos SQL.

Acompáñame mientras comparto mi experiencia en la creación de un robusto agente Text2SQL, una solución que podrás adaptar a tus propios proyectos.

El poder de los AI Agents

En el paisaje de la IA en rápida evolución, los agentes de IA destacan como elementos revolucionarios. Harrison Chase, cofundador de LangChain, ofrece una definición convincente:

«Un agente de IA es un sistema que utiliza un LLM para decidir el flujo de control de una aplicación.»

Esto no es solo otra palabra de moda. Los agentes de IA trascienden de simplemente completar el texto: son motores de toma de decisiones que orquestan flujos de trabajo complejos. Cuando alimentas un Modelo de Lenguaje Grande (LLM) con una entrada, no solo predice la siguiente palabra; toma decisiones estratégicas sobre las acciones y caminos para alcanzar tu objetivo.

Los cuatro pilares del éxito

Cada agente de IA efectivo se apoya en cuatro pilares fundamentales:

1. El Cerebro (LLM)

• Impulsa la toma de decisiones y la comprensión
• En nuestro caso, utilizamos Azure OpenAI’s GPT-4
• Adaptable a otros modelos como DeepSeek R1

2. La Planificación

• Estrategiza la secuencia de acciones necesarias
• Descompone consultas complejas en pasos manejables
• Determina el enfoque óptimo para cada consulta
• Por ejemplo, cuando se pregunta sobre datos de ventas:
  • Primero, identifica las tablas relevantes (clientes, ventas, empleados)
  • Luego, determina las uniones necesarias
  • Finalmente, planifica agregaciones y filtrado

3. Las Herramientas

• Las capacidades prácticas del agente
• Para nuestro agente SQL, incluye:
  • Listado de tablas de la base de datos
  • Recuperación de información del esquema
  • Validación de consultas
  • Ejecución de consultas

4. La Memoria

• Permite la comprensión contextual
• Mantiene el estado de la conversación
• Facilita el diálogo natural sobre los datos

Para ilustrar cómo funcionan estos pilares juntos, analicemos un ejemplo real con la pregunta: “Which customers spent the most in each country?” (¿Qué personas consumen más en cada país?).

1. El LLM procesa la pregunta y comprende:

• Necesitamos encontrar el gasto de los clientes
• Agrupar por país
• Encontrar los mayores gastadores en cada grupo

2. La planificación entra en acción:

• Necesita identificar tablas con datos de clientes, facturas y ubicación
• Requerirá agregación de gastos por cliente
• Debe agrupar resultados por país
• Necesita clasificar clientes dentro de cada grupo de países
• Planifica la secuencia: ubicación del cliente → datos de compra → agregación → clasificación

3. Las herramientas se ejecutan en secuencia:

• Primero, lista las tablas disponibles
• Obtiene información del esquema para tablas relevantes (ej., Customer, Invoice)
• Construye y valida la consulta (Sigue iterando y mejorando hasta generar una consulta válida)

4. La memoria almacena:

• Las tablas utilizadas
• La relación entre clientes y facturas
• El hecho de que estamos interesados en el gasto del cliente
• Este contexto ayuda con preguntas de seguimiento como «Muéstrame sus compras recientes»

Construyendo la magia

Profundicemos en la implementación. Utilizaremos LangChain para la funcionalidad central y LangGraph para la orquestación del flujo de trabajo. Aquí está la base de nuestro agente:

La verdadera magia ocurre en nuestra implementación de herramientas:

El agente en acción

Cuando una persona usuaria plantea una pregunta como “Which sales agent made the most in sales in 2009?”, nuestro agente entra en acción:

1. Examina el panorama de la base de datos (lista las tablas disponibles)
2. Comprende la estructura de datos (recupera información del esquema)
3. Elabora y valida la consulta SQL perfecta
4. Ejecuta la consulta y presenta resultados en lenguaje natural o en cualquier otro idioma. Además, admite preguntas multilingües

Características potentes, beneficios reales

Nuestra implementación ofrece varias ventajas clave:

1. Seguridad Robusta: La validación de consultas previene inyecciones SQL y errores
2. Diseño Adaptable: Funciona con varias bases de datos y esquemas
3. Fácil Mantenimiento: Estructura de código limpia y modular
4. Inteligencia Contextual: Mantiene el historial de conversación
5. Interacción Natural: Comprende consultas en lenguaje natural

Impacto en el mundo real

Este agente Text2SQL transforma varios escenarios empresariales:

• Inteligencia Empresarial: Democratiza el acceso a datos para usuarios no técnicos
• Análisis de Datos: Simplifica la construcción de consultas complejas
• Servicio al Cliente: Permite la recuperación rápida y precisa de datos
• Administración de Bases de Datos: Agiliza las operaciones rutinarias

Hora de ver un agente en acción

He preparado una demostración que muestra nuestro agente manejando varias consultas:

1. «Show me the top 5 best-selling tracks of all time»
2. «What was the total revenue for each genre in 2009?»
3. «Which customers spent the most in each country?»

La demostración resalta cómo hemos cerrado la brecha entre las capacidades técnicas de SQL y la interacción amigable, haciendo que las consultas a bases de datos sean accesibles para todos en su organización.

Conclusión

Construir un agente Text2SQL efectivo no se trata solo de conectar un LLM a una base de datos: se trata de orquestar cuidadosamente la interacción entre la comprensión del lenguaje, las capacidades de las herramientas y la memoria. A través de LangChain y LangGraph, hemos creado una solución que hace que las interacciones con bases de datos se sientan naturales y accesibles.

En hiberus, contamos con un área especializada en inteligencia artificial con más de 175 certificaciones de Data e IA. ¿Tienes preguntas o ideas para mejoras? ¡Conectemos y colaboremos!