📝 Model deployment has arguments now 📝

Author: dgpmakes

documentation/modules/ROOT/assets/images/deploy-model-3.png

@@ -17,10 +17,11 @@ Un modelo sólo responde en base a lo que conoce. Es ahí donde entran en juego
 [#01]
 === Objetivo
 
-El objetivo de este taller es desplegar un **asistente** que ayude a los usuarios a calcular la penalización por un pago pendiente. Lo haremos utilizando un agente basado en Llama Stack, RAG y servidores MCP. Conocerás paso a paso cómo es el flujo de trabajo dentro de OpenShift AI para tanto el desarrollo como el despliegue del agente.
+El objetivo de este taller es desplegar un **asistente** para ayudar a los ciudadanos de un país ficticio, Lysmark. A través del chat, los usuarios podrán pedir información sobre la leyes del país. En este caso, nos centraremos en ofrecer información precisa sobre las penalizaciones por impago. 
 
-image::workshop.png[]
+La aplicación estará basada en un agente de IA basado en Llama Stack, RAG y servidores MCP. Conocerás paso a paso cómo es el flujo de trabajo dentro de OpenShift AI para tanto el desarrollo como el despliegue del agente.
 
+image::workshop.png[]
 
 [#02]
 === Entorno

documentation/modules/ROOT/pages/0.adoc

@@ -45,7 +45,18 @@ En el segundo paso, vamos a definir el **proyecto** con el nombre `{namespace}`.
 
 image::deploy-model-2.png[]
 
-En el tercer paso tenemos opciones de configuración avanzada. Modifica el formulario como se muestra en la siguiente imagen.
+En el tercer paso tenemos opciones de configuración avanzada. Modifica el formulario de la siguiente forma:
+
+* Habilita la casilla `Add as AI asset endpoint`.
+* Habilita la casilla `Add custom runtime arguments` y pega abajo estos argumentos:
+
+[.console-input]
+[source,bash,subs="+macros,+attributes"]
+----
+--enable-auto-tool-choice
+--tool-call-parser
+hermes
+----
 
 image::deploy-model-3.png[]
 

documentation/modules/ROOT/pages/2.adoc

@@ -38,16 +38,15 @@ En `MCP Tools`, selecciona `all`. De esta forma habilitamos la comunicación a l
 
 image::app.png[]
 
-¡Genial! Primero vamos a verificar que el agente puede extraer información de la documentación con RAG. Escribe lo siguiente:
-
+¡Genial! Primero vamos a verificar que el agente tiene acceso a la documentación gracias al RAG. Vamos a preguntar si conoce algo sobre el país para el que estamos creando el agente. Escribe lo siguiente:
 
 [.console-input]
 [source,bash,subs="+macros,+attributes"]
 ----
 Based on the documents that have been provided, what is Lysmark?
 ----
 
-*Lysmark* es el nombre ficticio del país que ha decidido poner en marcha a este agente de inteligencia artificial. Por lo que debería de ser capaz de dar una respuesta como esta:
+Debería de ser capaz de dar una respuesta como esta:
 
 image::app-rag.png[]
 

documentation/modules/ROOT/pages/5.adoc

@@ -11,6 +11,7 @@ Antes de terminar, vamos a hacer un repaso de todo lo que se ha hecho en este ta
 * Hemos desplegado un modelo Qwen3 en nuestro cluster y hemos comprobado sus respuestas desde el Playground.
 * Hemos visto más de cerca qué compone a un servidor MCP y qué es necesario para garantizar que funcione correctamente.
 * Hemos unificado la comunicación de nuestro stack desplegando una distribución de LlamaStack y sus respectivos componentes.
+* Hemos utilizado automatizaciones a través de pipelines para la ingestión de documentación y realizar RAG.
 * Hemos terminado desplegando la aplicación agéntica que usa todas las piezas de nuestra arquitectura.
 * Como paso final, hemos habilitado la observabilidad de trazas de nuestra aplicación agéntica.