Construir un agente multi-paso con LangGraph en Python que clasifica tickets, los enruta, y responde. Código real, manejo de estado, human-in-the-loop.

Agente que clasifica tickets entrantes, decide entre auto-responder o escalar a humano, redacta la respuesta y la registra en CRM.

Construir un agente multi-paso con LangGraph para soporte SaaS

Definir el State del grafo

Tipo TypedDict con los campos que el agente acumula entre nodos: ticket, classification, action, response, conversation_history.

Implementar el nodo de clasificación

Nodo Python que llama a Claude Haiku para clasificar el ticket en categorías (billing, technical, general, urgent) y agregar la classification al state.

Routing condicional según la clasificación

Edge condicional que enruta a auto-respond para tickets simples o a human-review para tickets urgentes o complejos.

Nodo de generación de respuesta

Llamada a Claude Sonnet con system prompt específico por categoría, RAG opcional contra docs internos, output con citas a la knowledge base.

Human-in-the-loop con interrupt

Configurar interrupt_before en el nodo de envío. Cuando el agente quiere responder algo sensible, pausa y espera aprobación humana vía endpoint.

Persistencia y observabilidad

Checkpointer en Postgres para que el grafo sobreviva crashes. Logging estructurado de cada transición de state para debugging.

Tutorial LangGraph: tu primer agente multi-paso para automatizar soporte SaaS

Implementación práctica de RAG con Next.js, Supabase pgvector y OpenAI. Indexar documentos, búsqueda semántica, y armar la respuesta. Código real, sin abstracciones.

Indexar documentos, hacer búsqueda semántica y armar respuestas aumentadas con un LLM, usando Next.js + Supabase pgvector + OpenAI.

Implementar RAG en un SaaS Next.js

Habilitar pgvector en Supabase y crear la tabla de embeddings

Activar la extensión pgvector en el proyecto Supabase y crear una tabla con columnas para el chunk de texto, el embedding (vector 1536) y el metadata.

Chunking y embeddings de documentos

Dividir cada documento en chunks de 400-800 tokens con overlap, generar embeddings con text-embedding-3-small de OpenAI, e insertar en Supabase.

Búsqueda semántica con similitud coseno

Crear una función RPC en Postgres que, dado un embedding de query, devuelva los top-k chunks más similares usando el operador <=> de pgvector.

Augmentación del prompt con contexto recuperado

En el handler de Next.js, embeber la pregunta del usuario, recuperar top-5 chunks, e inyectarlos en el system prompt antes de llamar al LLM.

Monitoreo de costos y métricas

Trackear tokens por request, tasa de hit del cache, y latencia. Loggear el prompt aumentado para debugging cuando una respuesta sea mala.

RAG paso a paso para tu SaaS: del PDF al chatbot en 2 horas

Integrar OpenAI en Next.js sin que la factura crezca sin control: selección de modelo, caching, streaming, rate limiting por tenant y caps de presupuesto.

Wrappear el SDK con telemetría, seleccionar el modelo correcto por call, cachear prompts repetidos, hacer streaming, rate limiting por tenant y caps de presupuesto.

Integrar la API de OpenAI en un SaaS Next.js con disciplina de costos

Wrappear el SDK con telemetría

Centralizar todas las llamadas a OpenAI detrás de un módulo único que loggea modelo, tokens, latencia, tenant_id y costo estimado por request.

Seleccionar modelo dinámicamente por tipo de tarea

Routear cada call al modelo más barato que pueda hacer el trabajo: gpt-4o-mini para clasificación/extracción, gpt-4o para generación rica, o3-mini para razonamiento.

Cachear prompts repetidos en Upstash Redis

Hash determinista del prompt + parámetros como clave. Cache hit ahorra el 100% del costo y latencia. TTL 7-30 días según el caso.

Streaming de respuestas para mejor UX

Usar Server-Sent Events para devolver tokens conforme se generan. UX mejora 5x y reduce timeouts del lado del cliente.

Rate limiting por tenant

Limitar requests por minuto y tokens consumidos por mes por tenant. Sliding window en Redis. Devuelve 429 con header Retry-After.

Caps de presupuesto con kill switch

Trackear gasto acumulado mensual por tenant y plataforma. Si excede el cap, retornar error informativo en vez de seguir cobrando.

Artículos sobre Tutorial

Tutorial LangGraph: tu primer agente multi-paso para automatizar soporte SaaS

RAG paso a paso para tu SaaS: del PDF al chatbot en 2 horas

Cómo integrar la API de OpenAI en un SaaS Next.js sin reventar costos