Capa LLM (AxelCopilot)
La capa de intención sobre el motor determinista (redacción conversacional, consulta NL de cartera y análisis), con guardrails que hacen imposible que el LLM toque la DB.
El principio que gobierna toda la capa:
Intención = LLM, verdad = motor determinista.
El LLM nunca afirma validez jurídica ni escribe el contrato: esa la da el motor. El LLM interpreta lo que el usuario quiere y lo explica; el motor valida y escribe.
AxelCopilot: una UI, N extractores
Las tres capacidades de la capa LLM son colectivamente AxelCopilot: una
experiencia conversacional, no un chat por vertical. La UI de chat es genérica y
reutilizable; solo el IntentService se parametriza por dominio.
UI de chat (UNA sola, genérica, reutilizable)
│
▼
IntentService (interface agnóstica de proveedor Y de dominio)
│
├── extractor laboral → parámetros de contrato (hoy)
├── extractor permisos → parámetros de trámite (futuro, #7)
└── extractor marcas → parámetros de registro (futuro, #8)El error a evitar: un chat aislado y acoplado a lo laboral que obligaría a
construir PermisosNewConversational, MarcasNewConversational… cada uno
reinventando la mecánica conversacional. Lo que cambia por vertical son los
extractores/diccionarios (datos y reglas), no un chat nuevo.
Las tres capacidades
Texto libre (“contrato indefinido para Juan Pérez, motorista, $500, empieza el lunes”) → el LLM extrae intención a JSON params → el motor valida y añade cláusulas automáticas. El LLM no escribe el contrato.
Pregunta en lenguaje natural (“¿cuántos contratos vencen este mes?”) → el LLM propone un query plan → un query builder seguro lo ejecuta con scope de tenant forzado. El LLM nunca toca la DB.
El motor determinista produce los findings (“salario por debajo del Art. 144”, “prueba excede Art. 28”). El LLM toma esos findings + el contrato y genera la explicación NL, las recomendaciones y las citas, con estado “thinking” real vía streaming. El LLM no inventa findings ni sentencias: solo explica los del motor. Si el motor no halla nada, el LLM no añade.
Guardrails
El punto más riesgoso es la consulta NL (LLM → DB). El diseño hace estructuralmente imposible que el LLM toque datos directamente.
El LLM produce un query plan (campos, filtros, agregación), no SQL. Un Eloquent query builder lo ejecuta con whitelist de tablas/columnas y scope de tenant forzado. No hay path donde el LLM escriba SQL crudo.
El LLM referencia IDs de Citations (source único: Código de Trabajo + corpus
curado de sentencias), nunca texto libre. Anti-alucinación por construcción: no
puede citar un artículo o sentencia que no exista.
Cada interacción se audita para trazabilidad:
ai_interactions id, tenant_id, user_id, type (draft|query|analysis),
input, output, tokens, latency, timestamps
ai_guardrail_logs id, interaction_id, action, blocked (bool), reasonProveedor tras la interface
IntentService es el seguro anti-migración: la app le habla a la interface, y del
otro lado puede haber Claude, GPT, Gemini o un orquestador de agentes sin que el
resto sepa. Migrar de proveedor es escribir un GeminiIntentService, no
re-escribir el producto.
Corpus curado de jurisprudencia: P0
Hay que distinguir dos cosas fáciles de confundir:
| Alcance | Estado | |
|---|---|---|
| Corpus curado de sentencias clave | Un set acotado de fallos clave de la CSJ (decenas), vinculados a cada cálculo del motor (finiquito, indemnización Art. 58, salario base). | P0, dentro del MVP |
| RAG full sobre toda la jurisprudencia | Búsqueda conversacional amplia sobre el universo de fallos. | Post-MVP |
El corpus curado es trabajo de curaduría legal (semanas de trabajo jurídico, no
de ingeniería). Vive en Citations junto al Código de Trabajo y es lo que
permite que el copilot razone y cite la sentencia de verdad, no solo el
artículo. Es parte del moat.
Gate de “hecho”
El LLM no puede generar SQL crudo, ni modificar datos, ni acceder a otro tenant. Se prueban intentos de SQL injection y acceso cross-tenant: todos bloqueados.
El LLM SIEMPRE ve los findings del motor antes de responder: no opina sin el motor. Latencia objetivo <5s, con streaming para el análisis largo.