Proyecto 4: Crea el agente que tu empresa necesita
Resumen
Proyecto 4: Crea el agente que tu empresa necesita
Toda empresa tiene procesos que requieren conectar información de diferentes fuentes, tomar decisiones y ejecutar acciones. Construye un agente inteligente que resuelva un problema real de tu empresa o de tu área. Dale contexto, skills y conexiones a datos reales usando MCPs. Puede ser un agente que gestione solicitudes de clientes, que analice información de múltiples fuentes y genere reportes, que automatice un flujo complejo que hoy depende de una persona, o lo que tu equipo necesite. Usa OpenClaw, Claude Code, Cursor, Codex o GitHub Copilot para construirlo. Cuéntanos: ¿Qué decisiones toma tu agente y qué impacto tiene en tu equipo?
La Tríada de Agentes 🚀 — un equipo que vive en tu base de datos
Vibecodé✨ un equipo de 3 agentes con personalidades, prioridades y criterios distintos. El tipo de equipo que cualquier startup necesita pero rara vez tiene.
¿Por qué?
Nació de una necesidad real de mi equipo, muchas veces necesitamos ponernos "sombreros" diferentes según el momento, seguimiento, búsqueda de tendencias, o generación de ideas pero hacerlo consume tiempo y energía mental.
Estos agentes se construyeron en Claude, se desplegó en GitHub/Vercel, y tiene conexión a mi base de datos activa en Notion vía API, no son datos de ejemplo.
✨ Prueba la versión Lite (sin consultas habilitadas ;u; ):
El Hipster: El compañero creativo para generar ideas rápidas y analizar scripts de contenido. (Si le preguntas ¿comó vamos?, no sabrá que responderte porque no tiene acceso preferencial).
La Hacker: Experta en marketing y tecnología con acceso a búsqueda web en tiempo real (Google Trends, tendencias de la industria, campañas exitosas de tech) para traducir señales externas en acciones concretas. Y no solo eso también tiene acceso a la memoria de productos internos para realizar estrategias.
El Hustler: El mentor pragmático que lee mi calendario de contenidos en Notion vía MCP, diagnostica qué está atrasado y qué merece prioridad. (Revisará tanto el status como el tiempo de ejecución y te dará recomendaciones)
¿Qué lo hace único?
Los agentes nativos de Notion tienen skills y poco contexto para buscar información externa con poca eficiencia de tokens.
Los agentes creados incluyen búsqueda web habilitada para hacks de marketing, análisis de competencia y tendencias con fuentes abiertas como Google Trends y puedes elegir tu proveedor .
La versión completa, con más contexto y consultas habilitadas, la reservo para mi equipo por temas de confidencialidad y los tokens :3
Pd. Para este reto se necesitaba crear nuestra página web, pero yo uso demasiado Notion así que no lo ví óptimo recrearlo porque me gusta como está, a pesar de sus limitaciones xD. Pero podría ser un complemento eventualmente ✨.
Versión lite sin consultas
Video test
Interesante, ¿funciona con cualquier base de datos?
excelente proyecto, bien aplicado en un caso real.
¡Hola comunidad de Platzi! 🚀 Emocionado de compartir mi proyecto para este reto.
🛡️ Proyecto: CodeShield Agent
¿Qué hice? Construí un "Arquitecto de Software Virtual" en formato CLI (Terminal). Es un agente de IA que audita repositorios de GitHub enteros buscando violaciones a los principios de Clean Code, SOLID, DRY y KISS. Está construido con Python, LangGraph y Claude 3.5 Sonnet.
¿Por qué lo hice? Las revisiones de código manuales consumen mucho tiempo y herramientas tradicionales (como los linters) solo ven la sintaxis, no el "diseño". Quería un agente que pudiera razonar sobre la arquitectura completa de un proyecto y dar sugerencias de refactorización como lo haría un Tech Lead.
¿Qué lo hace único? Tiene dos superpoderes principales que lo diferencian de un simple prompt:
Conexión vía MCP (Model Context Protocol): En lugar de programar integraciones tediosas con la API de GitHub, el agente se conecta al servidor MCP oficial de GitHub, permitiéndole navegar, buscar y leer archivos de forma autónoma.
Freno de mano interactivo (Human-in-the-loop): Usando el enrutamiento condicional de LangGraph, si el agente detecta una violación de KISS (ej. sobreingeniería extrema para un CRUD simple), pausa su ejecución en la terminal y te pregunta: "¿Existe una regla de negocio que justifique esta complejidad?". Dependiendo de tu respuesta (Sí/No), ajusta su evaluación antes de emitir el reporte final en Markdown.
🔗 Link a mi proyecto (GitHub):
¡Hola comunidad de Platzi! 🚀 Emocionado de compartir mi proyecto para este reto.
🛡️ Proyecto: CodeShield Agent
¿Qué hice? Construí un "Arquitecto de Software Virtual" en formato CLI (Terminal). Es un agente de IA que audita repositorios de GitHub enteros buscando violaciones a los principios de Clean Code, SOLID, DRY y KISS. Está construido con Python, LangGraph y Claude 3.5 Sonnet.
¿Por qué lo hice? Las revisiones de código manuales consumen mucho tiempo y herramientas tradicionales (como los linters) solo ven la sintaxis, no el "diseño". Quería un agente que pudiera razonar sobre la arquitectura completa de un proyecto y dar sugerencias de refactorización como lo haría un Tech Lead.
¿Qué lo hace único? Tiene dos superpoderes principales que lo diferencian de un simple prompt:
Conexión vía MCP (Model Context Protocol): En lugar de programar integraciones tediosas con la API de GitHub, el agente se conecta al servidor MCP oficial de GitHub, permitiéndole navegar, buscar y leer archivos de forma autónoma.
Freno de mano interactivo (Human-in-the-loop): Usando el enrutamiento condicional de LangGraph, si el agente detecta una violación de KISS (ej. sobreingeniería extrema para un CRUD simple), pausa su ejecución en la terminal y te pregunta: "¿Existe una regla de negocio que justifique esta complejidad?". Dependiendo de tu respuesta (Sí/No), ajusta su evaluación antes de emitir el reporte final en Markdown.
🔗 Link a mi proyecto (GitHub):
¡Me encantaría que lo clonen, lo prueben con sus propios repositorios y me dejen su feedback! 👇
🚀 Nexus AI Req, el agente que convierte documentos en entregables reales de desarrollo
Construí Nexus AI Req, un agente interno para mi empresa que automatiza una tarea crítica del ciclo de desarrollo: transformar documentos de negocio en Historias de Usuario, Casos de Uso, DDL Oracle y diagramas ERD listos para revisión.
🎯 El problema:
Mucho tiempo del equipo se iba leyendo documentos, interpretando requerimientos, estructurando entregables y validando manualmente información funcional y técnica.
⚡ La solución:
Nexus convierte ese proceso en un flujo asistido por IA, trazable, seguro y con aprobación humana.
🔒 Por confidencialidad empresarial no puedo compartir el repositorio, el código fuente ni acceso directo al sistema interno. En su lugar, comparto evidencia visual anonimizada, sin datos reales ni información sensible.
📄 1. Todo empieza con el documento real
El usuario carga el documento base: requerimientos, actas, formatos o insumos funcionales. Nexus parte desde la fuente real del problema.
🧭 2. Un flujo visible, no una caja negra
Cada etapa queda trazada para que el equipo sepa qué se está generando, qué falta y dónde se requiere revisión.
✨ 3. De texto desordenado a Historias de Usuario
Nexus transforma información no estructurada en Historias de Usuario claras, consistentes y listas para discusión con el equipo.
🧩 4. Casos de Uso con lógica funcional
El agente convierte necesidades generales en escenarios concretos, reglas y comportamientos esperados.
🗄️ 5. Diseño técnico acelerado
Nexus propone DDL Oracle alineado con el requerimiento, reduciendo el salto manual entre análisis funcional y diseño de datos.
📊 6. Modelo de datos visual
Para conectar negocio, análisis y desarrollo, Nexus genera diagramas ERD que facilitan entender la estructura propuesta.
✅ 7. Aprobación humana cuando importa
Si hay ambigüedad o una decisión crítica, el flujo se detiene y pide revisión humana antes de continuar.
🧠 ¿Qué decisiones toma el agente?
- Identifica información útil dentro del documento.
- Detecta vacíos o ambigüedades.
- Decide cómo estructurar artefactos funcionales y técnicos.
- Genera salidas consistentes para HU, Casos de Uso, DDL y ERD.
- Solicita intervención humana cuando la calidad o el contexto lo requieren.
💎 ¿Qué lo hace único?
Nexus no es solo un chatbot ni un generador de texto. Es un agente diseñado para trabajo real de empresa: combina IA, contexto, trazabilidad, seguridad, revisión humana y generación de entregables que un equipo de desarrollo puede usar.
📈 Impacto esperado:
- Menos tiempo documentando manualmente.
- Más consistencia entre negocio y tecnología.
- Menos reprocesos por requerimientos ambiguos.
- Mayor velocidad para pasar de una idea a una especificación accionable.
🏆 Este proyecto representa cómo quiero usar IA en mi trabajo: no como una demo aislada, sino como una herramienta real para multiplicar el impacto profesional dentro de una organización.
Excelente brooo 🔥 🔥 🔥
Super!!!
Desarrollé Glamperos.com, una plataforma especializada en glamping en Colombia, creada prácticamente con ayuda de IA. Utilicé principalmente Claude para acelerar el desarrollo y construir gran parte de la aplicación.
La plataforma permite explorar y gestionar alojamientos tipo glamping, y además integré inteligencia artificial real conectando un chatbot a través de una API. El asistente tiene acceso a información almacenada en MongoDB, por lo que puede consultar datos y responder preguntas de manera contextual y personalizada.
¿Qué hace único al proyecto?
Fue desarrollado prácticamente de extremo a extremo con apoyo de IA.
Integra un LLM conectado a una base de datos MongoDB para proporcionar respuestas inteligentes.
Está enfocado en un nicho específico: el turismo de glamping en Colombia.
Combina tecnologías modernas para frontend, backend e inteligencia artificial, demostrando cómo un emprendedor puede construir productos reales apoyándose en IA.
Este proyecto es una muestra de cómo los modelos de lenguaje no solo sirven para generar texto, sino también para crear aplicaciones funcionales con capacidades de análisis y atención personalizada.
asistente inteligente para atencion inicial de clientes en D'BELLA Spa y Estetica,
1.- problema: como propirtaria de D´BELLA Spa y Estetica, dedico parte de mi tiempo a respomnder preguntasrespectivas sobre tratamientos faciales, corporales, precios y recomendaciones para atender clientes y administrar el negocio.
2.- Herramienta: se utilizo inteligencia artificial mediante IA, una herramienta no. code que permite automatizar respuestas generar recomendaciones personalizadas sin necesidad de programar.
3.- Demostracion: el cliente proporciona informacion basica como: edad, tipo de piel, objetivo estetico o tratamiento de interes, el asistente analiza la informacion y recomienda opciones adecuadas, explicando beneficios y cuidados posteriores.
4.- Evidencia de impacto la atencion inicial puede reducirse de 10 a 15 minutos por cliente a menos de 5 minutos, ademas se brinda informacion consistente y disponible en cualquier ,o,emto,
5.- Resultado final: se desarrollo una solucion practica para D'BELLA Spa y Estetica que mejora la experiencia del cliente, optimiza el tiempo de atencion y permite enfocarse en actividades de mayor valor para el negocio.
Demostracion: cliente de 40 años, manchas melasma y lineas de exprecion.
Asistente: se recomienda una valoracion con tratamiento con dermapen, hidratacion profunda y protocolo despigmentante, segun el diagnostico profesional
Buscar trabajo implica tomar decisiones repetitivas: ¿este puesto me conviene? ¿tengo el stack? ¿vale escribir una carta? Armé un agente en LangGraph que automatiza ese análisis.
El agente recibe el texto de la oferta, consulta mi CV, GitHub y HuggingFace en ChromaDB, cruza el stack requerido contra mi perfil real, y decide: postularse, estudiar los gaps, o descartar. Si el match es válido, genera la carta lista para enviar.
Lo que lo hace diferente: el nodo de decisión no usa LLM — es lógica pura. Los tokens se gastan donde importa, no en comparar un número contra dos umbrales.
🔗
🤖 Proyecto 4 — DevMentor: El agente que DevGrowth necesitaba
🔗
Para este reto decidí no crear algo desde cero, sino evolucionar DevGrowth, mi proyecto del reto anterior. Le agregué un agente real que vive dentro de la app.
💡 ¿Qué hice?
Construí DevMentor, un agente basado en reglas integrado directamente en DevGrowth. Aparece como un botón fijo en toda la app y cuando lo abres ya analizó todo tu historial automáticamente.
Analiza 3 fuentes de datos reales:
📅 Tus registros semanales
🐛 Tus errores guardados
🏆 Tus logros
Y ejecuta 12 reglas para detectar patrones como:
Satisfacción baja dos semanas seguidas
Bloqueos que se repiten
Horas de estudio en caída
Demasiado tiempo en la misma tecnología
Logros cerca de desbloquearse
Luego genera alertas categorizadas en 🔴 Alertas, 🟡 Sugerencias y 🟢 Positivos.
🎯 ¿Por qué lo hice así?
Aprendí que un agente no es un chatbot. Un chatbot responde cuando le preguntas. Un agente actúa solo, analiza datos reales y toma decisiones sin que nadie se lo pida. Eso fue exactamente lo que quise construir.
✨ ¿Qué lo hace único?
No usa ningún LLM ni API externa. Es un agente puramente basado en reglas conectado a datos reales en Supabase. Simple, funcional y honesto con lo que es.
Proyecto 4: Agente Inteligente Autónomo con MCP para Orquestación de Datos y Decisiones Operativas en SaludGo
Descripción del Proyecto
¿Qué hice? Construí un agente de Inteligencia Artificial autónomo utilizando un entorno de desarrollo guiado (Cursor / Claude Code). Lo doté de capacidades de ejecución de herramientas avanzadas mediante MCP (Model Context Protocol), lo que le permite conectarse de forma nativa, segura y en tiempo real a nuestras bases de datos relacionales (SQL Server) y APIs operativas para auditar, decidir y priorizar flujos de atención y gestión de datos médicos/administrativos.
¿Por qué? En plataformas de servicios de salud como SaludGo, cruzar el historial de solicitudes de los usuarios, verificar estados de cuentas, detectar anomalías de agendamiento y enrutar casos críticos de forma manual genera cuellos de botella. Las automatizaciones tradicionales son muy rígidas; este agente inteligente analiza el contexto y toma decisiones dinámicas basadas en los datos.
¿Qué lo hace único? El agente no es un simple chatbot de respuestas genéricas. Gracias a la arquitectura MCP, tiene "manos y ojos" sobre nuestra infraestructura de datos de forma controlada. Puede inspeccionar tablas de registros, evaluar la urgencia de una solicitud analizando el historial del usuario, decidir el nivel de escalabilidad y ejecutar acciones de backend en segundos, reduciendo la fricción operativa drásticamente.
Arquitectura del Agente: Contexto, Skills y Conexiones MCP
Link Oficial del Proyecto:
El agente opera bajo una estructura de tres capas core:
Contexto (System Prompt): Se le asignó el rol de Operations & Data Orchestrator Lead para SaludGo. Conoce a profundidad las reglas de negocio, los niveles de criticidad de los requerimientos y los protocolos de seguridad de la información.
Conexiones de Datos (MCP Tools):
Database-MCP: Le permite al agente interactuar con las tablas del sistema, consultar historiales operativos de forma segura (SELECT) y verificar el estado de los usuarios.
API-Health-MCP: Conexión segura para consultar la disponibilidad de servicios y sincronizar alertas con canales internos.
Skills (Habilidades Cognitivas): Razonamiento lógico avanzado paso a paso (Chain-of-Thought) para evitar alucinaciones, traducción de lenguaje natural a consultas estructuradas de base de datos y análisis de sentimiento/urgencia de las solicitudes recibidas.
Decisiones Autónomas del Agente en SaludGo
A diferencia de un software estático, el agente evalúa variables de forma independiente y ejecuta acciones en tiempo real:
Triage Inteligente y Escalabilidad de Casos: Al recibir una solicitud compleja o una anomalía operativa, el agente consulta la base de datos a través de MCP, analiza la recurrencia del problema y el impacto en el usuario. Si determina que cumple con criterios críticos, eleva automáticamente la prioridad y genera una alerta estructurada con todo el contexto técnico para el equipo encargado.
Conciliación y Autocorrección de Datos: Si detecta inconsistencias o errores comunes en la ingesta de registros (como formatos de fecha incorrectos o datos incompletos en el historial de atención), el agente inspecciona el log, deduce la corrección adecuada basándose en patrones históricos y ejecuta el query de actualización de forma segura.
Impacto Concreto en el Equipo
Reducción del Triage Operativo: Centralizó el análisis correlativo. Lo que antes requería que un miembro del equipo abriera múltiples paneles para validar datos y tomar una decisión, el agente lo resuelve e implementa en menos de 30 segundos.
Reportes y Auditoría Bajo Demanda: El equipo directivo y técnico ya no tiene que esperar a reportes manuales o pedir consultas SQL personalizadas a ingeniería. Se interactúa con el agente en lenguaje natural y este extrae las métricas reales del sistema mediante MCP al instante.
Velocidad de Desarrollo: Utilizar el ecosistema de Cursor para programar el andamiaje del agente y estructurar las herramientas de conexión MCP aceleró los tiempos de codificación en un 60%, permitiendo iterar y desplegar la lógica de negocio a una velocidad récord.
Asistente Inteligente
Este prototipo funcional está integrado en mi plataforma freelance para transformar un portafolio estático en un canal dinámico de adquisición de clientes. Su objetivo es automatizar la atención inicial y cualificar interesados 24/7 con un costo de operación de $0 USD.
El Impacto del Chatbot y los Leads
El asistente no es un simple adorno; complementa mi ecosistema de negocio resolviendo el principal reto de un freelancer: filtrar y capturar oportunidades de calidad en piloto automático.
Conversión sin Fricción: En lugar de formularios fríos, el chatbot conversa de forma natural. Responde sobre mi stack (Angular, TypeScript, Go) y disponibilidad. Si detecta intención real de contratación, activa una función interna para extraer los datos del proyecto.
Alineación de Presupuestos: El bot cruza el requerimiento con mis reglas de negocio en tiempo real. Así, los leads se filtran antes de consumir tiempo de desarrollo o consultoría.
Alternativa Guiada: Si el usuario no desea interactuar con la IA, dispone de un flujo estructurado de opción múltiple para cotizar rápido.
Flujo Automatizado
[ChatWeb] ──>[IACualificaProyecto] ──>[Extracción de Datos] ──>[Alerta en Celular]
Cuando el proceso concluye, la IA empaqueta la información y me envía una notificación push instantánea a un canal privado de Telegram con la ficha del cliente:
Resumen del requerimiento: Una síntesis impecable redactada por la IA sobre lo que se quiere construir.
Este prototipo demuestra cómo delegar la prospección comercial a un agente inteligente para llegar a la primera reunión con el contexto de negocio ya digerido.
🤖 Agente inteligente para gestión de heladería artesanal
En Morasul Cream siempre dependíamos de que Sebastián revisara manualmente Supabase para saber el estado del negocio. Francy esperaba instrucciones sobre qué producir y Gloria no tenía visibilidad del stock en tiempo real.
Construí un agente con Claude Code en menos de 2 horas, deployado en Vercel y conectado a Supabase via MCP. El agente toma 4 decisiones autónomas: alerta cuando un sabor llega a stock crítico, recomienda qué producir primero cruzando stock vs ventas de los últimos 7 días, genera reportes ejecutivos consultando 5 tablas simultáneamente, e identifica sabores con alta rotación pero stock bajo antes de que se agoten.
Los umbrales de alerta son configurables directamente desde Supabase sin tocar código — cualquier miembro del equipo puede ajustarlos.
Impacto concreto: Sebastián pregunta en lenguaje natural y recibe el estado completo del negocio en segundos. Francy sabe qué producir sin esperar instrucciones. Gloria consulta stock antes de comprometer unidades con distribuidores. Tres personas con información en tiempo real sin depender de una sola persona.
Link:
!
¿Centralizado/Desentralizado/Híbrido?
Una tarea repetitiva era generar PDFs con calendario y estrategia para el cliente, con Claude y instrucciones personazalidas he logrado que con unos pocos datos me genere toda una estrategia para compartir con el cliente.
Proyecto: GENIA – Agente Inteligente para la Administración de Consorcios
DEMO FUNCIONAL DEL AGENTE:
Problema
Como desarrollador de soluciones para administraciones de consorcios, observé que gran parte del tiempo operativo se consume buscando información en diferentes fuentes, interpretando reglamentos, validando pagos, respondiendo consultas repetitivas y tomando decisiones administrativas de bajo valor agregado.
La información necesaria para responder una consulta suele encontrarse dispersa entre:
Reglamentos internos.
Bases de datos de expensas.
Historial de pagos.
Comprobantes enviados por los propietarios.
Conversaciones anteriores.
Configuraciones específicas de cada consorcio.
Tradicionalmente una persona debe recopilar toda esa información, analizarla y decidir cómo actuar.
Solución
Desarrollé GENIA, un agente inteligente especializado en la gestión de consorcios.
GENIA conecta múltiples fuentes de información mediante herramientas y conectores (MCPs), analiza el contexto completo de cada situación y ejecuta acciones de manera autónoma o asistida.
No responde solamente preguntas: interpreta información, toma decisiones y ejecuta procesos.
Contexto del Agente
GENIA comprende:
Reglamentos internos.
Estructura de cada consorcio.
Estado de expensas.
Historial de pagos.
Datos de propietarios.
Consultas previas.
Reglas operativas definidas por la administración.
Cada respuesta se genera utilizando información real y actualizada.
Skills del Agente
Interpretación de Reglamento
Analiza documentos normativos y responde utilizando el contexto específico del consorcio.
Consulta de Expensas
Determina deuda actual, deuda histórica y estado de cuenta de cada unidad.
Análisis de Comprobantes
Procesa imágenes y PDFs enviados por los propietarios utilizando visión artificial.
Detección de Duplicados
Identifica pagos repetidos mediante comparación documental y análisis transaccional.
Recuperación Semántica
Busca antecedentes similares utilizando embeddings y búsqueda contextual.
Gestión Conversacional
Solicita información faltante, valida inconsistencias y guía al usuario hasta completar el proceso.
Decisiones que toma el Agente
GENIA puede decidir:
Qué fuente consultar para responder una solicitud.
Si una consulta corresponde al reglamento o a información financiera.
Si un comprobante parece válido o requiere revisión.
Si existe un posible pago duplicado.
Qué información adicional debe solicitar al usuario.
Cuál es la respuesta más adecuada según el contexto del consorcio.
Cuando detecta situaciones ambiguas, deriva el caso para revisión humana.
Flujo de Trabajo
Propietario realiza una consulta
↓
GENIA interpreta la intención
↓
Consulta las fuentes necesarias
↓
Analiza la información obtenida
↓
Toma una decisión operativa
↓
Responde o ejecuta la acción correspondiente
Tecnologías Utilizadas
OpenAI para razonamiento y procesamiento de lenguaje natural.
Embeddings para búsqueda semántica.
Modelos multimodales para interpretación de imágenes y PDFs.
Arquitectura multi-tenant para múltiples consorcios.
MCPs para acceso seguro a información operativa.
Herramientas de desarrollo asistido con IA para construcción y evolución del agente.
Impacto en el Equipo
Antes de GENIA, gran parte del tiempo se destinaba a tareas repetitivas de búsqueda, interpretación y validación.
Con GENIA:
Las consultas frecuentes se resuelven automáticamente.
Los comprobantes se procesan sin intervención manual.
Se reduce la carga operativa de los administradores.
La atención está disponible las 24 horas.
Los equipos pueden concentrarse en problemas que realmente requieren criterio humano.
Resultado
GENIA transforma el conocimiento operativo de una administración de consorcios en un agente inteligente capaz de consultar información, analizar evidencia, tomar decisiones y ejecutar procesos.
El objetivo no es reemplazar personas, sino eliminar el trabajo repetitivo para que los equipos puedan enfocarse en tareas de mayor valor.
El Open Source está muriendo en 2026.
La confianza comunitaria se ahoga ante un +206% de scripts de Bash en proyectos AI¹, revisiones de PRs 4.6× más lentas² y 15-18% más de vulnerabilidades². Con 42% del código que se commitea hoy siendo AI-generated o AI-assisted³ y el 96% de los devs desconfiando de él³, el AI slop (Palabra del Año 2025⁴) ha forzado medidas extremas: el navegador Ladybird⁵ y la pizarra tldraw⁶ cerraron sus PRs públicas, el emulador de PS3 (RPCS3)⁷ tuvo que revertir múltiples PRs AI que causaron regresiones en producción, y cURL⁸ canceló su bug bounty porque 19 de cada 20 reportes eran alucinaciones sintéticas.
Para esta clase construí el agente ARGUS como 4 specialists coordinados en Rust (no LangChain, no Rig, no framework de agentes). Cada specialist tiene skill, contexto y decisión explícitamente documentados:
4 specialists coordinados en paralelo con Tokio::join!:
Aegis Verdict — sintetiza los 3 outputs (NO ve el código raw — type-level isolation vía CordonEnforcer en crates/argus-verify/src/cordon.rs)
Pruebalo en:
Revisalo, usalo, rompelo en:
Fuentes:
+206% de scripts de Bash en proyectos AI — GitHub Octoverse 2025. "Shell scripting saw +206% year-over-year growth in AI-generated projects. We didn't suddenly love Bash. AI absorbed the friction that made shell scripting painful." — Andrea Griffiths,
Opsera AI Coding Impact 2026 Benchmark Report (250K devs, 60+ empresas) — — 4.6× pickup time, 15-18% more vulns, 90% adoption
Sonar State of Code Developer Survey 2026 (1,149 devs) — — 42% del código commiteado es AI-generated; 96% desconfía de él; solo 48% verifica antes de commit
Merriam-Webster 2025 Word of the Year ("slop") —
Ladybird Browser (Andreas Kling, jun 2026) —
tldraw (Steve Ruiz, ene 2026) —
RPCS3 (kd-11, may 2026) — — "varios PRs slop se mergearon y causaron regresiones reales en el emulador"
cURL bug bounty ended (Daniel Stenberg, ene 2026) —
Marketing Content Agent
Desarrollé un agente de inteligencia artificial especializado en marketing digital y creación de contenido para redes sociales.
El agente analiza información sobre el negocio, el público objetivo y los objetivos comerciales para tomar decisiones sobre el tipo de contenido más adecuado. A partir de ese análisis genera ideas de publicaciones, copys, hashtags, guiones para videos cortos y llamados a la acción.
Lo que hace único este proyecto es que adapta automáticamente las recomendaciones según el contexto de cada negocio, reduciendo significativamente el tiempo de planificación y creación de contenido.
Impacto:
Mayor productividad.
Creación de contenido en minutos.
Estandarización de la estrategia de redes sociales.
Reducción del trabajo manual del equipo de marketing.
Construí un agente inteligente de seguimiento académico para el área de Nivelación Académica.
El problema que resuelve es que los gestores escolares normalmente deben revisar varias fuentes de información para identificar qué estudiantes tienen materias reprobadas, si ya tomaron nivelación, cuál es su estatus académico, si tienen adeudo y qué tipo de seguimiento corresponde darles. Este proceso puede ser repetitivo, lento y propenso a errores cuando se trabaja con muchas matrículas.
Mi agente recibe una lista de matrículas demo, consulta información simulada de cada estudiante, analiza su situación académica y toma decisiones de seguimiento. Puede clasificar estudiantes por prioridad, detectar si son candidatos a nivelación, generar mensajes personalizados para contacto, preparar tipificaciones internas y crear un reporte final para el gestor.
Las decisiones principales que toma el agente son:
Si el estudiante es candidato a Nivelación Académica.
Qué nivel de prioridad tiene el seguimiento.
Qué mensaje conviene enviarle.
Si el caso puede avanzar normalmente o requiere revisión manual.
Qué información debe quedar registrada para seguimiento.
Esta versión pública usa datos ficticios y conexiones simuladas para proteger información institucional y datos personales. La versión real estaría conectada a fuentes internas mediante MCPs o integraciones seguras.
El impacto en el equipo sería reducir tiempo de revisión manual, mejorar la calidad del seguimiento, evitar errores de captura y permitir que los gestores se enfoquen más en orientar al estudiante que en buscar información repetitiva.
Proyecto 4 — Agente de Seguimiento de Pendientes
Hay una tarea que todo PM hace y nadie quiere hacer: revisar uno por uno los proyectos, detectar qué tareas llevan días sin moverse y redactar un email de seguimiento. Son entre 35 y 55 minutos diarios de trabajo mecánico que interrumpen el flujo, no generan valor intelectual y, si no se hacen, se convierten en el origen silencioso de los retrasos.
Lo construí como un agente integrado directamente en el dashboard del Proyecto 3. Sin servidor, sin instalaciones, todo en el navegador.
¿Qué hace?
Analiza todos los proyectos en SeguimientoProyectos/, detecta tareas sin movimiento según el umbral configurado (2, 3 o 5 días), y genera un email de seguimiento listo para copiar y enviar. La detección es inteligente: primero busca en la Bitácora de notas la actividad más reciente — si no hay notas, usa la fecha de inicio de la tarea.
Tiene dos modos: on demand con un botón en la navbar, y schedule automático configurable (cada 1, 3 o 7 días) que corre solo cuando abres el dashboard.
El impacto concreto:
ManualCon el agente
Tiempo diario
35–55 min
< 1 min
Tiempo mensual
~13–20 horas
~22 min
Un bloqueo detectado el día 2 toma horas resolver. Detectado el día 5, puede costar semanas.
Lo que lo hace parte del sistema:
Proyecto1 → Sistema de prompts(genera el Excel)Proyecto2 → n8n workflow(reporte semanal automático)Proyecto3 → Dashboardweb(visualización + bitácora)Proyecto4 → Agente(detecta pendientes + genera email)
Herramientas utilizadas
Todo corre en el navegador, sin servidor ni instalaciones adicionales:
SheetJS — lee los archivos .xlsx directamente desde el navegador, sin subir nada a internet
File System Access API — accede a la carpeta SeguimientoProyectos en el computador local (Chrome/Edge)
localStorage — persiste la configuración del schedule y la fecha del último análisis entre sesiones
JavaScript vanilla — toda la lógica del agente: comparación de fechas, detección de estancamiento, generación del email
HTML/CSS — la interfaz del agente está integrada al dashboard existente del Proyecto 3, sin frameworks
Cómo probarlo
Requiere Chrome o Edge — Firefox no es compatible.
Descarga o clona el repositorio y copia la carpeta SeguimientoProyectos-ejemplo/ a tu computador (puedes dejarla en Documentos o Escritorio)
Abre el dashboard:
Haz clic en "Seleccionar carpeta" y elige la carpeta SeguimientoProyectos-ejemplo/ que descargaste
Listo — el dashboard carga el proyecto de ejemplo automáticamente
Para probar el agente: haz clic en "Analizar pendientes" en la barra superior.
La carpeta solo se selecciona una vez. La próxima vez que abras el dashboard carga directo sin pedirla de nuevo.
En el Proyecto 5 conectará al API de Claude para agregar razonamiento real: priorizar bloqueos, sugerir acciones y redactar el email con contexto del historial completo del proyecto.
🤖 El Coach IA de Nutalli — un coach de nutrición que SÍ es seguro (los barandales viven en CÓDIGO, no en el prompt)
Construí el Coach IA dentro de Nutalli, mi app de gimnasio y nutrición para México (ya publicada en prueba cerrada en Google Play). No es un chatbot que responde bonito: es un agente que decide si puede ayudarte, cómo, y cuándo debe callarse y derivarte con un profesional.
🎯 El problema Casi todas las apps de "coach con IA" dejan que el modelo improvise números y consejos. Eso es peligroso: en 2023 el chatbot Tessa (NEDA) recomendó déficits de -1000 kcal a personas con trastornos alimentarios. Un coach que alucina cifras o ignora una bandera roja no es un bug: es un riesgo de salud.
⚙️ La solución: un agente con 3 capas
Contexto: se ancla a un PLAN DETERMINISTA (tus calorías, macros, comidas, rutina y resumen del día/semana) como única fuente de verdad. El LLM nunca inventa los números: los cita del plan.
Motor de seguridad (puro, determinista, SIN IA): antes de responder, evalúa banderas rojas y decide el "modo". Estos topes viven en código, no en el prompt, para que un nutriólogo cedulado los pueda revisar de un vistazo (algo que un prompt no garantiza).
Conexiones a datos reales: Supabase (sesión anónima, cuota de IA con RLS, registro de consentimiento, estado PRO), webhook de RevenueCat → entitlement, y el modelo (Gemini) detrás de una Edge Function. Todo offline-first.
🧠 ¿Qué decisiones toma el agente?
¿Puede dar plan, y en qué modo? Bloquea déficit a menores de 18, IMC bajo y embarazo/lactancia → fuerza mantenimiento o deriva.
Riesgo de TCA (cribado SCOFF): no muestra cifras ni conteo de calorías; acompaña y deriva.
Condición médica / fármacos: no trata; da orientación general y deriva a un profesional con cédula.
Alérgenos: si mencionas un alimento de tu lista a evitar, frena en seco (jamás avala un alérgeno → riesgo de anafilaxia).
Piso calórico: nunca por debajo de 1200/1500 kcal.
Preguntas que citan números ("¿cómo voy?"): responde determinista con tus datos exactos, sin pasar por el modelo (así no puede equivocarse).
Médico o "invéntame comida": pre/post-filtros lo redirigen a un mensaje seguro o al botón de swaps.
💎 ¿Qué lo hace único? La seguridad no está en "porfa modelo, no hagas X" (eso se salta): está en código determinista que el LLM no puede evadir, diseñado para que un nutriólogo lo audite. El agente sabe DERIVAR en vez de improvisar, y como se ancla al plan, no alucina cifras.
📈 Impacto
Usuarios reales en prueba cerrada (rumbo a producción).
Cero cifras inventadas en las preguntas críticas (son deterministas).
Protege a las poblaciones más vulnerables (menores, embarazo, riesgo de TCA) — justo el caso que hunde a otras apps.
Como "equipo de una persona": el motor de seguridad es lo que un nutriólogo puede validar para dar el OK clínico, y me deja dormir tranquilo.
🛠️ Herramientas:Claude Code (construí toda la app y el agente), Expo/React Native, Supabase (Edge Functions + RLS), RevenueCat, Gemini.
🔗 Pruébalo mandando un correo apara unirte a la prueba cerrada / míralo:
Aquí continuo con mi pequeño proyecto.
Problema: Redacción de correos electronicos para dar respuesta a los soportes del cliente.
Propuesta: Conectar el sistema que construí para almacenar información de proyectos con nuestro sistema de gestión de soporte al cliente. El objetivo es que al momento de recibir un soporte del cliente, el agente acceda a la información del desarrollo del cliente y sus requerimientos, prepare un correo electrónico de respuesta y lo ponga en fila para que una persona manualmente lo edite y/o confirme para su envio. Adicionalmente, el equipo redacta sus actividades sobre los soportes cuando las terminan, así que puede detectar en automatico cuando alguien termina de registrar sus tiempos y actividad para redactar un correo automaticamente y dejarlo en aprobación para su envio. Esto ahorra tiempo y mejora el seguimiento de las tareas, pues hay tareas que tienen actividad registrada pero no comunicación por correo con los clientes.
SOLUCIÓN: Agente IA que automatiza 4 procesos críticos:
🔥 Lead Prioritization: Clasifica prospectos automáticamente
📝 Content Generation: Crea contenido con Claude en minutos
📊 Business Intelligence: Reportes ejecutivos con alertas
🎯 Opportunity Detection: Identifica oportunidades de negocio
IMPACTO:
Reportes: 8h → 30min (94% más rápido)
Contenido: 4h → 10min (96% más rápido)
Productividad: +35%
Respuesta: 24h → <5min
Resultado: Tu empresa funciona 24/7 con IA. Sin humanos haciendo tareas repetitivas.
RESUMEN EJECUTIVO
📊 Lo que hemos construido:
IBEX AI Business Orchestrator - Un agente empresarial inteligente de clase mundial con:
┌─────────────────────────────────────────────────────┐
│ ✅ 4MOTORESESPECIALIZADOS │
├─────────────────────────────────────────────────────┤
│ 🔥 LeadPrioritization → Scoring automático │
│ 📝 ContentGeneration → Contenido con Claude │
│ 📊 BusinessIntelligence → Reportes ejecutivos │
│ 🎯 OpportunityDetection → Oportunidades auto │
└─────────────────────────────────────────────────────┘
Core del agente orquestador
✅ Motores de decisión para cada caso de uso
✅ Integración con MCPs✅ Gestión de flujos de trabajo
✅ Sistema de configuración
✅ Ejemplos funcionales
