Come creare un agente AI RAG che gestisce prenotazioni via Telegram con LangChain

ai-integration - 12/05/2025

12 min read

In questa guida avanzata, costruiremo un agente AI RAG che:

  • Interagisce via Telegram
  • Riceve e gestisce richieste di prenotazione
  • Recupera informazioni da documenti o FAQ usando LangChain
  • Esegue azioni reali come salvare dati in un database

Useremo LangChain, FastAPI, PostgreSQL (con pgvector) e Telegram Bot API.

🧠 Cos'è un agente RAG (Retrieval-Augmented Generation)

Un agente RAG combina due componenti:

  1. Retrieval: recupera documenti rilevanti (da un vettorializzatore)
  2. Generation: genera risposte usando un LLM (es. OpenAI, Mistral, Ollama, ecc.)

Questo migliora la precisione dell'output perché le risposte sono basate su dati reali, non solo su conoscenza pre-addestrata.

⚙️ Architettura del progetto

Utente Telegram ─▶ Bot Telegram ─▶ FastAPI (Webhook) ─▶ LangChain Agent
                                      ├─▶ Vector DB (es. pgvector / ChromaDB)
                                      └─▶ DB prenotazioni (PostgreSQL)

🛠️ Setup iniziale

1. Crea un bot Telegram

  • Vai su @BotFather
  • Crea un nuovo bot e ottieni il BOT_TOKEN

2. Setup del progetto Python

mkdir ai-rag-bot && cd ai-rag-bot
python -m venv venv && source venv/bin/activate
pip install fastapi langchain openai python-telegram-bot[asyncio] pgvector psycopg2

3. Setup database PostgreSQL + pgvector

CREATE EXTENSION IF NOT EXISTS vector;
CREATE TABLE documents (id serial PRIMARY KEY, content text, embedding vector(1536));
CREATE TABLE bookings (id serial PRIMARY KEY, name text, date date, time text);

🔗 Integrazione con Telegram

from telegram import Update
from telegram.ext import ApplicationBuilder, ContextTypes, CommandHandler, MessageHandler, filters

BOT_TOKEN = "<your-bot-token>"

async def start(update: Update, context: ContextTypes.DEFAULT_TYPE):
    await update.message.reply_text("Ciao! Scrivimi una domanda o chiedimi di prenotare un appuntamento.")

application = ApplicationBuilder().token(BOT_TOKEN).build()
application.add_handler(CommandHandler("start", start))
application.run_polling()

Puoi anche usare Webhook per FastAPI.

📚 Embedding dei documenti

Usa LangChain + OpenAI (o altri modelli) per vettorializzare documenti:

from langchain.embeddings import OpenAIEmbeddings
from langchain.vectorstores.pgvector import PGVector

embedding = OpenAIEmbeddings()
vectorstore = PGVector.from_documents(docs, embedding=embedding, collection_name="faq", connection_string=...)

🤖 Costruzione dell'agente con LangChain

from langchain.agents import create_react_agent
from langchain.agents.agent_toolkits import Tool
from langchain.llms import OpenAI

# Tool per prenotazioni
async def prenota(args):
    name, date, time = args
    # salva nel DB
    return f"Prenotazione registrata per {name} il {date} alle {time}"

prenotazione_tool = Tool(
    name="prenota",
    func=prenota,
    description="Registra una prenotazione: prenota(nome, data, ora)"
)

agent = create_react_agent(OpenAI(), tools=[prenotazione_tool], verbose=True)

Puoi aggiungere anche un retriever da vectorstore come input contestuale.

🧠 Combinare Retrieval e Tool

from langchain.chains import RetrievalQA

qa_chain = RetrievalQA.from_chain_type(
    llm=OpenAI(), retriever=vectorstore.as_retriever(), return_source_documents=True
)

Nel tuo handler Telegram:

async def handle_message(update: Update, context: ContextTypes.DEFAULT_TYPE):
    query = update.message.text
    response = qa_chain.run(query)
    await update.message.reply_text(response)

✅ Estendere con nuove funzioni

  • Aggiungi validazioni (es. formato orario)
  • Crea un sistema multiutente (token o user ID)
  • Salva i log delle richieste (per analisi o miglioramento dataset)
  • Aggiungi memorie con ConversationBufferMemory

🧪 Test e deploy

Puoi eseguire tutto in locale, oppure:

  • Deploy su Railway.app o Render.com
  • Usa ngrok per testare Webhook
  • Aggiungi HTTPS e Webhook via FastAPI

📌 Conclusione

Hai appena visto come creare un agente AI completo che combina:

  • LangChain + RAG
  • Telegram bot
  • Esecuzione di azioni reali (prenotazioni)
  • Recupero informazioni in tempo reale

Un setup simile è facilmente adattabile a use case come:

  • Helpdesk AI
  • Booking system intelligente
  • Customer service automatizzato

Per altri articoli su agenti AI o LangChain, visita la sezione Blog.

👉 Oppure Contattami per una consulenza