RaceIntel nace como una solución práctica para transformar consultas naturales en respuestas accionables sobre el mundo del motor. En lugar de depender de un flujo rígido o de un sistema estático, el agente decide de forma autónoma qué información necesita, qué fuentes consultar y cómo combinar los resultados antes de responder.
Esto lo convierte en una herramienta útil tanto para:
- estudiantes y aficionados que quieren entender resultados, estadísticas o calendario,
- profesionales que necesitan consultas rápidas sin navegar varias fuentes,
- presentaciones, demos o prototipos de IA con valor real para un cliente o evaluador técnico.
RaceIntel permite hacer preguntas como:
- ¿Quién ganó el GP de Mónaco 2024?
- ¿Cómo va el campeonato de NASCAR 2025?
- ¿Cuáles son las estadísticas de Fernando Alonso en F1?
- ¿Cuándo es la próxima carrera de IndyCar?
- ¿Qué equipos ganaron Le Mans 2024 en LMP2?
Y responde con información basada en fuentes web recientes, usando herramientas especializadas para cada tipo de consulta.
El sistema no intenta “adivinar” respuestas. Primero identifica la intención del usuario y luego usa herramientas específicas para recuperar datos recientes y relevantes.
La arquitectura sigue un patrón ReAct: el modelo razona, elige una herramienta, analiza la respuesta y continúa hasta tener suficiente información para dar una respuesta útil.
Es ideal para mostrar en clase, en una entrevista técnica o ante un cliente cómo funciona una aplicación de IA con:
- Orquestación de agentes,
- Integración de herramientas externas,
- Trazabilidad y observabilidad,
- Experiencia conversacional con memoria de sesión.
La estructura actual cubre varias competiciones y puede ampliarse con nuevas series, filtros o fuentes de datos.
El sistema se repite en varios pasos hasta que el modelo considera que ya tiene suficiente contexto para responder.
RaceIntel cubre varias disciplinas del automovilismo, incluyendo:
 Fórmula 1 |
 IndyCar |
 NASCAR |
 WEC |
 Dakar |
  Otras competiciones |
Si la herramienta no está segura del todo de la respuesta, se autoejecuta varias veces para comprobar que la información es correcta:
RaceIntel combina varias herramientas modernas para construir una experiencia de IA útil y observable:
- Python
- LangGraph para la orquestación del agente
- LangChain para integración de modelos y herramientas
- Azure OpenAI / OpenAI para el modelo de lenguaje
- Tavily para búsqueda web especializada
- LangSmith para trazabilidad y seguimiento de ejecuciones
- Variables de entorno para configuración segura
La solución está organizada en módulos claros y mantenibles:
RaceIntel/
├── main.py # Entrada principal y bucle conversacional
├── README.md # Documentación base del proyecto
├── README_Nuevo.md # Presentación visual y orientada a cliente
├── requirements.txt # Dependencias del proyecto
├── .env.example # Plantilla de variables de entorno
├── graph/
│ ├── __init__.py
│ ├── builder.py # Construcción del grafo del agente
│ └── state.py # Estado de la sesión y mensajes
├── agents/
│ ├── __init__.py
│ └── race_agent.py # Nodo principal con el modelo y herramientas
├── tools/
│ ├── __init__.py
│ └── racing_tools.py # Herramientas para resultados, stats y calendario
└── raceintel.ipynb # Exploración y prototipado
main.py: lanza la conversación y mantiene la sesión.agents/race_agent.py: define el agente ReAct con herramientas enlazadas.tools/racing_tools.py: encapsula búsquedas especializadas por categoría.graph/builder.py: conecta el flujo del grafo.graph/state.py: modela el estado de la conversación.
El agente usa un patrón de razonamiento y acción:
- Recibe la pregunta del usuario.
- Evalúa si necesita información externa.
- Selecciona la herramienta más adecuada.
- Busca datos relevantes en internet.
- Procesa el contexto obtenido.
- Genera una respuesta final clara y útil.
- Mantiene trazabilidad de la ejecución en LangSmith.
Este enfoque es especialmente útil para aplicaciones donde el modelo debe decidir dinámicamente qué buscar y cómo responder a preguntas complejas.
RaceIntel incluye cuatro herramientas especializadas:
search_race_results: Resultados de carreras, ganadores, podios y tiempos de vuelta.search_driver_stats: Estadísticas y palmarés de pilotos.search_championship_standings: Clasificaciones de campeonatos.search_race_calendar: Calendarios y próximas fechas.
Cada una está diseñada para una categoría concreta del conocimiento automovilístico.
Cada sesión genera un session_id único que se usa como thread_id y run_name. Todas las trazas van al proyecto raceintel en LangSmith, donde se puede inspeccionar cada llamada al LLM y cada invocación de herramienta.
Cada sesión genera un identificador único y se registra con seguimiento en LangSmith. Esto permite inspeccionar:
- llamadas al modelo,
- invocaciones a herramientas,
- pasos intermedios del agente,
- rendimiento y flujo de ejecución.
Esto es especialmente valioso en demos, validación técnica y análisis de comportamiento del asistente.
cd RaceIntelpython -m venv .venvWindows:
.venv\Scripts\activateLinux/macOS:
source .venv/bin/activatepip install -r requirements.txtCopia el ejemplo:
copy .env.example .envo en Linux/macOS:
cp .env.example .envLuego completa las claves necesarias:
OPENAI_API_KEY=tu_clave
AZURE_OPENAI_BASE_URL=https://tu-endpoint
TAVILY_API_KEY=tu_clave_tavily
LANGSMITH_API_KEY=tu_clave_langsmith
LANGSMITH_TRACING=true
LANGSMITH_PROJECT=raceintel| Variable | Descripción |
|---|---|
OPENAI_API_KEY |
Clave del modelo de OpenAI / Azure OpenAI |
AZURE_OPENAI_BASE_URL |
Endpoint del despliegue de Azure OpenAI |
TAVILY_API_KEY |
Acceso a búsqueda web para las herramientas |
LANGSMITH_API_KEY |
Credencial de trazabilidad en LangSmith |
LANGSMITH_TRACING |
Activa el tracing del proyecto |
LANGSMITH_PROJECT |
Nombre del proyecto de LangSmith |
python main.pyA partir de ahí, puedes interactuar con el asistente desde la terminal.
RaceIntel puede ser útil en escenarios como:
- asistentes de contenido deportivo,
- prototipos de IA para clientes,
- herramientas internas para consulta rápida de resultados,
- demos académicas y demostraciones de arquitectura multi-agente,
- sistemas de apoyo con búsqueda web y generación de respuestas contextualizadas.
RaceIntel combina tres elementos clave para una demostración sólida de IA aplicada:
- conocimiento de un dominio concreto,
- capacidad de razonamiento y ejecución de herramientas,
- trazabilidad y observabilidad para validar cada decisión.
Es una solución clara, moderna y altamente visual para mostrar cómo una IA puede convertirse en un asistente útil y profesional dentro del mundo del automovilismo.
Este proyecto está pensado como ejemplo de aplicación de agentes conversacionales con IA aplicada a un dominio real y especializado.
Si quieres, puedo preparar también una versión aún más premium con:
- portada tipo landing page,
- badges visuales más modernos,
- sección de screenshots y flujo de UX,
- estilo más orientado a presentación para entregar a un cliente o profesor.
