Consola de soporte basada en agentes

Este template reúne todo el stack de desarrollo de Databricks en una única aplicación de datos operativa: una consola de soporte con IA en la que cada mensaje de un cliente se clasifica automáticamente mediante un LLM, y los agentes de soporte revisan, aprueban o descartan la sugerencia desde una herramienta interna creada a medida.

Flujo de datos

Las interacciones de los clientes fluyen desde la base de datos OLTP de tu aplicación (Lakebase Postgres) hacia el lakehouse mediante CDC, se enriquecen con un agent y se devuelven a la consola de soporte mediante sincronización inversa:

1. Las escrituras OLTP llegan a Lakebase Postgres (usuarios, pedidos, casos de soporte, mensajes).
2. Lakebase Change Data Feed (CDF) replica cada cambio en Unity Catalog como tablas de historial CDC (capa bronce).
3. Un Lakeflow Spark Declarative Pipeline transforma el historial CDC en tablas plata de estado actual y materialized views analíticas de la capa oro (ingresos diarios, panorama de soporte, perfiles de usuario, contexto de casos).
4. Un Lakeflow Job se ejecuta cada minuto, detecta los mensajes sin responder, construye un contexto enriquecido a partir de las tablas oro, llama a un LLM mediante un endpoint de serving de Model Serving y combina las respuestas sugeridas en una tabla Delta.
5. Las synced tables (sincronización inversa) replican las tablas oro de vuelta en Lakebase para lecturas de baja latencia.
6. La consola de soporte (Databricks App) lee tanto de las tablas OLTP como de las tablas oro sincronizadas para mostrar casos, sugerencias de IA y análisis.

Qué adaptar

El aprovisionamiento (pasos manuales y SQL), la carga inicial de datos, los despliegues de pipelines, la sincronización inversa y el despliegue de la app están documentados en el README.md del repositorio, junto al código.

Para adaptar este template a tus necesidades:

• Catálogo: asigna a la variable catalog del databricks.yml de cada pipeline el nombre de tu catálogo de Unity Catalog.
• Lakebase: apunta el databricks.yml de la app a tu propio project, branch y base de datos de Lakebase.
• Tablas: el script de carga inicial crea el schema OLTP. Una vez hecha la carga, configura Change Data Feed para replicar las tablas de tu schema public.
• Sync Tables: crea manualmente las cuatro configuraciones de sincronización inversa (consulta el README para ver las correspondencias exactas entre tablas).
• Endpoint de serving: asigna a la variable endpoint el endpoint de serving de modelos que prefieras.
• Genie Agent: crea un Genie Agent sobre tus tablas oro y define genie_space_id en el bundle de la app.