Tradition_agent: arquitectura, heurísticas y control doctrinal

El Tradition_agent es un agente conversacional especializado en la tradición perenne y la filosofía tradicionalista. Su diseño combina un modelo de lenguaje con un conjunto de herramientas de recuperación (RAG) y una política editorial estricta que garantiza respuestas contemplativas, estructuradas y verificables. A diferencia de un chatbot genérico, este agente incorpora mecanismos explícitos de control, normalización y trazabilidad definidos directamente en el código.

1. Estado interno y trazabilidad

El agente mantiene un estado mínimo pero significativo, definido en:

python

class AgentState(TypedDict):
    messages: List[BaseMessage]
    tool_used: str

Este estado permite registrar:

• el historial de mensajes,
• la última herramienta utilizada.

Esto facilita auditoría, depuración y análisis de comportamiento, especialmente cuando se integran múltiples herramientas RAG.

2. Política editorial: el corazón del agente

El comportamiento doctrinal del agente está definido en el system prompt:

python

tradition_system_content = (
    "Buen día. Soy un erudito de la filosofía tradicional..."
    "RESPONDA DIRECTAMENTE con una exposición contemplativa y estructurada..."
    "Cuando utilice fuentes, limite las evidencias a 3-6..."
    "NO invente fuentes ni datos..."
)

Este bloque establece:

• tono sapiencial,
• estructura obligatoria (Definición, Contexto doctrinal, Interpretación, Citas),
• límites estrictos de citación,
• prohibición explícita de inventar fuentes.

Es una política editorial fuerte que convierte al agente en un mediador entre estilo contemplativo y rigor académico.

3. Construcción del agente y registro de herramientas

El agente se construye dinámicamente mediante:

python

Tradition_agent = create_agent(
    model=get_model("Deepseek"),
    tools=tradition_tools,
    system_prompt=tradition_system_content,
    name="Tradition_agent",
)

Antes de crearlo, el sistema garantiza que las herramientas RAG estén registradas:

python

if "Tradition_agent" not in agent_tools:
    register_rag_tools()

Las herramientas disponibles incluyen:

• wikipedia_tool
• ddg_news_tool
• request_human_feedback_tool
• herramientas vectoriales registradas en agent_tools["Tradition_agent"]

Esto permite que el agente recupere evidencia doctrinal real y verificable.

4. Heurística para detectar preguntas directas

La función _is_direct_question determina si la entrada debe recibir una respuesta estructurada:

python

def _is_direct_question(text: str) -> bool:
    if t.endswith('?'): return True
    interrogatives = ("qué","cuál","cómo","por qué","quién","dónde","cuándo","why","what","who","when","where","how")
    ...
    if caps: return True

La heurística considera:

• signos de interrogación,
• palabras interrogativas,
• presencia de nombres propios capitalizados (p. ej., “Guénon”, “Schuon”).

Esto permite activar la estructura doctrinal solo cuando corresponde.

5. Construcción del payload

Si la pregunta es directa, el agente añade una directiva editorial:

python

def _build_user_payload(question: str):
    if direct:
        directive = "RESPONDA DIRECTAMENTE..."
        content = directive + question

Esto garantiza que el modelo siga la estructura requerida.

6. Control de tamaño del contexto

Para evitar desbordes de tokens:

python

def _estimate_payload_size(payload) -> int:
    # suma de longitudes de campos string

Si el payload supera max_chars, el agente rechaza la entrada:

python

if size > max_chars:
    return "<input-too-large> ..."

7. Invocación robusta del agente

El sistema intenta varias rutas:

python

variants = [primary, {"input": question}, question]

Probando:

• agent.invoke
• agent.run
• agent.ainvoke

Esto maximiza compatibilidad con distintos backends.

8. Normalización de la respuesta

El bloque final del script muestra cómo se extrae el contenido:

python

if isinstance(resp, dict) and 'messages' in resp:
    last = resp['messages'][-1]
    print(last.content)

Esto garantiza que la salida sea texto plano, independientemente del tipo de objeto devuelto.

9. Conclusión

El Tradition_agent no es un chatbot genérico: es un agente doctrinal cuidadosamente diseñado. Su arquitectura combina:

• heurísticas lingüísticas,
• control editorial,
• recuperación de evidencia,
• normalización estricta,
• trazabilidad completa.

El resultado es un agente capaz de producir respuestas contemplativas, rigurosas y verificables, manteniendo un equilibrio entre profundidad doctrinal y disciplina académica.