El problema que resuelve
En la automatización de procesos de negocio (BPA), existe una contradicción fundamental entre la flexibilidad semántica de los agentes basados en LLMs y la eficiencia operativa requerida a escala. Los agentes actuales, aunque capaces de interpretar Standard Operating Procedures (SOPs) escritos en lenguaje natural, incurren en un sobrecoste computacional y de latencia innecesario: invocar el modelo de frontera para decidir cada micro-paso de una ejecución repetitiva es, en esencia, usar un cerebro humano para apretar un botón. Este enfoque "planner-heavy" resulta insostenible cuando el volumen de transacciones se dispara, generando cuellos de botella en la infraestructura de inferencia y costos de API prohibitivos.
ReTrace ataca este problema directamente mediante la distilación. Su premisa es que una vez que un agente ha ejecutado con éxito un SOP varias veces, el patrón de decisión se vuelve predecible. En lugar de mantener el bucle de planificación en tiempo real, ReTrace convierte el conocimiento adquirido en trazas de ejecución en un flujo de trabajo estático, ejecutable y determinista. El objetivo es eliminar la dependencia del LLM en la orquestación global, relegando al modelo únicamente a las tareas atomizadas que realmente requieren razonamiento semántico (como la extracción de entidades complejas o la generación de respuestas creativas), mientras que la lógica de control (el "qué hacer a continuación") se traslada a código puro. Esto transforma el agente de un "director de orquesta" costoso en un "ejecutor de partitura" eficiente.
Arquitectura y mecanismo (con detalle técnico)
La arquitectura de ReTrace opera en dos fases principales: la fase de observación/distilación y la fase de ejecución/planner-free.
En la fase de distilación, el sistema ingiere dos fuentes de datos: el SOP original en lenguaje natural y un conjunto de trazas (logs) de ejecuciones previas del agente. Aquí reside la innovación técnica clave. ReTrace no se limita a registrar las llamadas a herramientas (tool-calls), sino que analiza el razonamiento explicativo (chain-of-thought) del agente durante esas ejecuciones. El sistema extrae las condiciones de ramificación implícitas en ese razonamiento. Por ejemplo, si el agente dice "como el cliente es premium, salto al paso de verificación manual", ReTrace infiere una condición lógica if customer_type == 'premium': next_step = 'manual_verification'.
Estas condiciones se compilan en un flujo de trabajo ejecutable, típicamente en Python o un DSL similar, donde las decisiones de control se representan como estructuras de datos y funciones deterministas. El resultado es un artefacto de código que encapsula la lógica de negocio sin requerir inferencia LLM para la navegación del flujo.
En la fase de ejecución, el sistema opera en modo "planner-free". El orquestador es un ejecutor de código estándar. Solo cuando el flujo de trabajo alcanza un nodo que representa una tarea semántica compleja (por ejemplo, redactar un email de disculpa personalizado), se invoca al LLM. Esta invocación es local y aislada; el LLM no sabe ni le importa qué paso anterior se ejecutó, solo recibe el contexto específico de ese nodo. Esto reduce drásticamente el contexto enviado a la GPU (menor consumo de VRAM por token) y elimina la latencia de la planificación global. Los resultados en el benchmark τ²-bench son contundentes: la reducción del tiempo por tarea de 170 segundos a 1.3 segundos demuestra que la planificación en tiempo real era el cuello de botella dominante.
Qué lo hace genuinamente nuevo
La novedad de ReTrace no está en el uso de código para automatización (que es estándar en RPA tradicional), ni en el uso de LLMs para generar código (como hacen ReAct o CodeAct), sino en la extracción de la lógica de control a partir del razonamiento textual, no solo de las acciones.
Los sistemas de planificación tradicional basados en LLMs tratan la secuencia de acciones como una salida probabilística. ReTrace trata el razonamiento como una fuente de verdad para inferir la estructura de control. Esto permite capturar matices que las simples secuencias de tool-calls no revelan. Por ejemplo, dos ejecuciones pueden tener la misma secuencia de herramientas, pero por razones diferentes (una por error recuperado, otra por diseño). Al analizar el "porqué" (el razonamiento), ReTrace construye un flujo más robusto y semánticamente alineado con la intención del SOP.
Además, introduce el concepto de workflows distilados como activos de primera clase. A diferencia de los agentes que son "vivos" y volátiles, el workflow de ReTrace es un artefacto inmutable, versionable y testeable con herramientas de CI/CD tradicionales. Esto permite aplicar verificaciones de construcción y pruebas unitarias a la lógica de negocio antes de desplegarla, algo imposible en un bucle de inferencia LLM puro.
Cómo integrarlo en Zeropithos o Dibroclaw (componente concreto: RAG, BDI, knowledge graph, inferencia, seguridad + pasos de implementación)
Para integrar ReTrace en la infraestructura de Zeropithos, debemos modificar el BDI (Belief-Desire-Intention) loop de Dibro y conectarlo con nuestro Knowledge Graph (Fuseki/SPARQL).
Paso 1: Captura de Trazas Enriquecidas.
Modificamos el logger de Dibro (agente ReAct en Rust) para que, además de registrar las acciones y observaciones, persista el chain-of-thought completo en el nodo de memoria de corto plazo. Estas trazas se serializan y se almacenan en el corpus AMASE, etiquetadas con metadatos del SOP específico.
Paso 2: Pipeline de Distilación en Dagster.
Creamos un pipeline en Dagster que se ejecute periódicamente o bajo demanda. Este pipeline:
1. Consulta el Knowledge Graph (Fuseki) para identificar SOPs con alta frecuencia de uso.
2. Recupera las últimas N trazas exitosas de esos SOPs desde el RAG pipeline.
3. Llama a un LLM de menor costo (ej. en nuestra GPU de 32GB) con un prompt específico de "extractor de lógica de control". El prompt debe forzar la salida en un formato estricto (JSON o Python) que represente las condiciones de ramificación.
4. Compila el código generado y ejecuta un suite de tests sintéticos para verificar que el workflow reproducido coincide con las trazas originales (regresión).
Paso 3: Ejecutor Híbrido en Dibro.
Añadimos un nuevo estado en el BDI loop de Dibro: WorkflowMode. Cuando se detecta un SOP conocido, Dibro no inicia su bucle ReAct habitual, sino que carga el workflow compilado correspondiente del Knowledge Graph (almacenado como un nodo de tipo ExecutableWorkflow). El ejecutor de Rust de Dibro interpreta este workflow. Solo si el flujo llega a un nodo marcado como LLM_TASK, Dibro invoca el llama-server.
Paso 4: Seguridad y Validación.
Dado que generamos código, es crítico el sandboxing. El workflow compilado debe ejecutarse en un contenedor aislado con permisos mínimos. Además, implementamos un "guardián" en el Knowledge Graph que valida que las condiciones extraídas no violen políticas de seguridad definidas en SPARQL (ej. "el flujo no puede acceder a datos de PII sin autorización explícita").
Retos prácticos (VRAM, datos, dependencias)
La integración plantea desafíos específicos en nuestra infraestructura:
- VRAM y Context Window: Aunque reducimos el contexto global, la fase de distilación requiere analizar múltiples trazas largas simultáneamente para inferir patrones. Con nuestra GPU de 32GB (llama-server), debemos usar modelos de 7B-13B para la extracción de lógica, o implementar batching eficiente. No podemos usar modelos de 70B para esta tarea de compilación por limitaciones de memoria.
- Calidad de los Datos de Trazas: La calidad del workflow final depende directamente de la calidad del razonamiento del agente original. Si Dibro razona de forma errónea pero logra completar la tarea por "suerte" (o por acciones fortuitas), ReTrace distilará una lógica incorrecta. Necesitamos un mecanismo de verificación semántica posterior, posiblemente usando un LLM diferente para auditar la lógica generada contra el SOP original.
- Dependencias de Runtime: El código generado debe ser compatible con el runtime de Rust de Dibro o ejecutarse en un microservicio Python aislado. Esto requiere definir un protocolo de comunicación claro (gRPC o HTTP) entre el ejecutor de Rust y el interprete de workflows Python, asegurando que los estados intermedios se compartan de forma segura.
- Mantenimiento del Knowledge Graph: Los workflows distilados son dinámicos. Si el SOP cambia, o si las herramientas subyacentes cambian de API, el workflow compilado queda obsoleto. Debemos implementar un mecanismo de invalidación basado en hashes de las definiciones de herramientas en el Knowledge Graph. Si cambia una herramienta, todos los workflows que la usan se marcan como "stale" y requieren re-distilación.
Conclusión
ReTrace representa un cambio de paradigma en la ingeniería de agentes LLMs: del runtime reasoning al compile-time reasoning. Al trasladar la carga cognitiva de la planificación a la fase de diseño/distilación, logramos una eficiencia operativa que los agentes puros no pueden igualar. Para Zeropithos, esta tecnología no es solo una optimización, sino una estrategia de escalabilidad. Permite que Dibro maneje miles de transacciones de bajo valor con un costo marginal cercano a cero, reservando la capacidad de inferencia de nuestra GPU para las tareas de alta complejidad semántica. La integración propuesta, vinculando el BDI loop con el Knowledge Graph y los pipelines de Dagster, crea un sistema híbrido robusto, auditable y económicamente viable, posicionando a Zeropithos en la frontera de la automatización empresarial inteligente.