Agente MCP en Open WebUI: herramientas y ReWOO

Crear un agente MCP en Open WebUI: De herramientas básicas a un planificador

Un agente en Open WebUI para MCP comienza sencillo: le damos al modelo de lenguaje una serie de herramientas para interactuar con ClickHouse y observamos lo que sucede. Inicialmente, hay tres herramientas básicas disponibles: list_databases, list_tables y run_select_queries. Estas manejan consultas SQL directas, pero cuando las tareas se vuelven más complejas, el modelo tiene dificultades para entender los esquemas de datos.

Solución: un prompt detallado con ejemplos concretos. La estructura incluye variables (portfolio_name, start_date, end_date), instrucciones para filtros LIKE y patrones como Dt::date >= '{start_date}'. Por ejemplo, para calcular el rendimiento de un portafolio se usan funciones de ventana:

WITH log_coef as (SELECT Portfolio, Dt,
    sum(log(TWR_dod+1)) OVER (
        PARTITION BY InvestmentPortfolioID
        ORDER BY Dt ASC ROWS BETWEEN UNBOUNDED PRECEDING AND 0 FOLLOWING
    ) AS TWR_cumulative_coef
FROM Contribution.contribution_twr_1s_mcp
WHERE lowerUTF8(Portfolio) LIKE '%{portfolio_name}%'
    AND Dt::date >= {start_date}
    AND Dt::date <= {end_date}
ORDER BY Dt DESC)
SELECT Portfolio, Dt, exp(TWR_cumulative_coef) - 1 AS TWR_cumulative
FROM log_coef;

Los resultados mejoran, pero siguen siendo inestables: errores de sintaxis, métricas incorrectas persisten. El RAG en Open WebUI no resuelve este problema.

Ampliando la herramienta: Herramientas personalizadas sin alucinaciones

Avanzar hacia la determinismo: creamos herramientas predefinidas usando esquemas Pydantic. El modelo solo selecciona y parametriza estas herramientas; las consultas son fijas. Las clases de herramientas incluyen:

• ClickHouseClientBase: envoltorio alrededor de operaciones centrales de MCP.
• ProfitTool: calcula rendimientos (TWR por fecha, aritmético/geométrico).
• PortfolioDiscoveryTool: descubre atributos del portafolio (lista, tipos, estrategias).
• PortfolioCashflowTool: rastrea entradas/salidas, análisis de flujo de efectivo.

Ejemplo de esquema para ClickHouseClientBaseParams:

class ClickHouseClientBaseParams(BaseModel):
    operation: Literal['list_databases', 'list_tables', 'run_select_query'] = Field(
        description='Tipo de operación: list_databases, list_tables o run_select_query'
    )
    database: Optional[str] = Field(default=None, description='Nombre de la base de datos')
    query: Optional[str] = Field(default=None, description='Consulta SQL')
    like: Optional[str] = Field(default=None, description='Filtro LIKE')
    not_like: Optional[str] = Field(default=None, description='Filtro NOT LIKE')


def clickhouse_client_base(params: ClickHouseClientBaseParams) -> str:
    # Lógica para solicitudes HTTP a http://clickhouse-mcp.services.kfim.int
    # Maneja list_databases, list_tables, run_select_query
    # Reemplaza automáticamente contribution_twr_1s_mcp por el nombre completo de la tabla

La función pydantic_to_openai_schema convierte estos esquemas a formato compatible con OpenAI, eliminando alucinaciones: las herramientas siempre devuelven JSON predecible.

Beneficios de este enfoque:

• Determinismo: misma entrada → mismo resultado.
• Escalabilidad: nuevas métricas se añaden como herramientas.
• Depuración: la lógica de consulta es transparente, sin comportamientos de caja negra del modelo.

Los límites de la simplicidad: cuándo las herramientas fallan

Un agente ingenuo fracasa con tareas complejas: múltiples portafolios, agregaciones, JOINs. El modelo confunde funciones de ventana y filtros de fechas. Aun con ejemplos, las tasas de error alcanzan entre 30–40%. Escalar el análisis de portafolios requiere procesar grandes volúmenes de datos — miles de filas de TWR, registros de flujo de efectivo.

Mejora: Dividir en Planificador y Ejecutor

Segunda iteración: agente como ReWOO — Razonar + Actuar. El planificador (un modelo separado) descompone tareas en pasos; el ejecutor llama a las herramientas. Esto soluciona:

• Filtrado de datos: búsqueda full-text en portafolios mediante PortfolioDiscoveryTool.
• Control de secuencia: consultas encadenadas (listar → filtrar → agrupar).
• Gestión de contexto: tablas fusionadas en una sola para renderizado en UI.

El planificador genera un plan:

• Paso 1: listar portafolios LIKE '%name%'.
• Paso 2: ejecutar consulta para TWR.
• Paso 3: agrupar y mostrar.

El ejecutor sigue el plan estrictamente, sin improvisaciones.

Búsqueda full-text en acción

Para tablas grandes — el pre-filtrado es clave. La herramienta busca usando lowerUTF8(Portfolio) LIKE '%query%', devuelve IDs/tipos. Esto acelera run_select_query: en lugar de escaneos completos, se hacen consultas dirigidas.

Ejemplo de cadena:

• PortfolioDiscoveryTool(like='stocks') → devuelve lista de IDs.
• ProfitTool(portfolios=ids, dates=range) → obtiene TWR.
• Fusionar en Pandas/DataFrame para la interfaz.

Conclusiones clave

• Herramientas deterministas basadas en Pydantic reducen errores del modelo en SQL.
• El enfoque ReWOO separa planificación y ejecución para flujos complejos.
• La búsqueda full-text es esencial para filtrar en grandes conjuntos de datos de ClickHouse.
• La integración con Open WebUI permite llamadas secuenciales con renderizado final de tabla.
• Los prompts de pensamiento en cadena aumentan la estabilidad, incluso con modelos menos potentes.

— Editorial Team