El proceso de los agentes temporales se basa en una lógica sencilla.
Dividir el contenido de entrada
Parta de un documento (como la transcripción de una reunión del consejo o un informe anual). Divídalo en partes manejables (como intervenciones de los participantes o párrafos).
Extraer afirmaciones
Extraiga de cada fragmento afirmaciones claras e independientes, como: «La empresa X es líder del mercado».
Etiquetar el tipo
Hecho (verdad objetiva)
Opinión (subjetiva)
Predicción (previsión o estimación)
Estática (verdadera en un momento concreto)
Dinámica (puede cambiar con el tiempo)
Atemporal (hecho que no cambia con el tiempo)
Entender la dimensión temporal
El agente detecta cuándo pasó a ser cierta la afirmación y, si es necesario, cuándo dejó de serlo (es decir, cuándo quedó invalidada). Esto guarda relación con la vigencia de la información de la afirmación, que puede diferir del momento en que se formuló o publicó.
Comprobar contradicciones (invalidación)
Si una nueva afirmación contradice otra anterior, la entrada más antigua se marca como caducada y se vincula con la nueva, en lugar de eliminar por completo la información invalidada de la base de conocimiento.
Este proceso está automatizado y es trazable, por lo que siempre puede profundizar para saber qué ha cambiado y por qué.
¿La buena noticia? No necesita rediseñar todo el sistema. Los agentes temporales suelen poder integrarse directamente en su arquitectura de RAG o en su proceso de gestión del conocimiento actuales.
Componentes principales:
Segmentación semántica: dividir el texto sin procesar en partes con significado.
Extracción de hechos mediante LLM: usar LLM para identificar hechos, detectar fechas y etiquetar tipos de eventos.
Clasificación temporal: usar LLM para clasificar temporalmente las afirmaciones y determinar sus intervalos de validez.
Lógica de invalidación temporal: los hechos nuevos pueden actualizar o hacer caducar automáticamente los anteriores, sin gestionar versiones manualmente.
Almacenamiento basado en tripletas: cada hecho se guarda como [Sujeto]—[Acción]—[Objeto] + [Hora de inicio, Hora de finalización] si se utilizan grafos de conocimiento o una base de datos basada en grafos.
Con la configuración adecuada, incluso los equipos pequeños pueden pasar del prototipo a producción en cuestión de semanas. Puede crear el prototipo con los modelos de mayor tamaño (GPT-4.1) y, una vez estable, pasar a versiones más rápidas (GPT-4.1-mini o nano). Para profundizar en los aspectos técnicos, consulte el Cookbook de OpenAI sobre agentes temporales con grafos de conocimiento.
Ya tiene listo su grafo de conocimiento con conciencia temporal y puede confiar en los datos que contiene. ¿Cómo puede convertir esta sólida base de datos en valor empresarial?
Recuperar la información deseada de grandes bases de conocimiento puede resultar difícil. Los agentes de recuperación en varios pasos pueden ayudar con esta tarea. Estos sistemas pueden recorrer de forma inteligente la base de conocimiento mediante varias consultas interconectadas para encontrar la información más relevante con la que responder a su consulta.
A medida que el sistema crece, mantener la eficiencia y optimizar el rendimiento se vuelve fundamental. Incorporar planificadores puede agilizar la recuperación y centrar las últimas etapas del proceso en lo importante. Perfeccionar las herramientas de búsqueda y análisis a las que accede el sistema principal también puede aportar mejoras, al permitir consultas más complejas en grandes grafos de conocimiento sin perder velocidad ni calidad.
En despliegues de gran volumen, paralelizar el recorrido de grafos, almacenar en caché las rutas de consulta frecuentes y seguir perfeccionando los prompts y el ajuste fino puede aumentar significativamente el rendimiento.
Para quienes estén creando un agente temporal, hemos publicado como código abierto en nuestro OpenAI Cookbook una guía técnica completa sobre agentes temporales con grafos de conocimiento. Abarca desde la lógica de extracción hasta el razonamiento en varios saltos e incluye:
Código completo y esquemas del proceso
Orientación sobre modelos y estrategias de evaluación
Prácticas recomendadas para pasar del prototipo a producción a gran escala
Los agentes temporales transforman la forma en que la IA entiende su mundo: no como hechos estáticos, sino como una historia viva y en constante evolución.
Cuando sus decisiones dependen de cuándo ocurrió algo, y no solo de qué ocurrió, ha llegado el momento de pensar en términos temporales.
Y no tiene por qué crearlo sin ayuda. Si busca que sus sistemas tengan más en cuenta el contexto, estén mejor preparados para la toma de decisiones o, simplemente, se ajusten más a la realidad, nos encantará ayudarle.