Cómo construir un agente de IA útil sin frameworks innecesarios

La idea de un agente IA que resuelva problemas complejos de forma autónoma es atractiva, pero la realidad en producción es más simple. La mayoría de las soluciones útiles que monto para mis clientes no usan frameworks complejos como LangChain o LlamaIndex. En su lugar, se basan en una orquestación lógica, llamadas directas a APIs de LLMs como Claude y herramientas de automatización como n8n.

La complejidad añadida de un framework, con sus abstracciones y capas, a menudo se convierte en un obstáculo cuando necesitas depurar o adaptar el comportamiento de la solución a un caso de negocio muy específico. Mi experiencia me dice que la simplicidad paga dividendos en estabilidad y mantenimiento.

Problemas de los frameworks “todo en uno” para agentes IA

Cuando empiezas a explorar la construcción de sistemas autónomos, te encuentras rápidamente con frameworks que prometen “todo lo que necesitas”. Estos frameworks intentan empaquetar la gestión de la memoria, el uso de herramientas, la planificación y la ejecución en una única capa de abstracción. El problema es que cada proyecto tiene sus particularidades.

Lo que en un ejemplo sencillo parece elegante, en producción se convierte en una caja negra difícil de entender y de controlar. Un cliente me llegó con una solución que usaba un framework popular y fallaba de forma intermitente; el problema era una abstracción que no manejaba bien un caso límite de su API interna. Al final, lo reescribimos con lógica directa.

Construcción de un agente IA: simplicidad con LLM y APIs

Un agente de IA, en su esencia, es un bucle que:

Recibe una entrada.
Usa un LLM para decidir el siguiente paso o la herramienta a usar.
Ejecuta esa herramienta o acción (otra llamada a API, una automatización).
Vuelve al paso 2 con el resultado, o termina.

Esta estructura no requiere un framework. Necesitas una forma de interactuar con el LLM (una API), una forma de ejecutar acciones (otras APIs o sistemas externos) y una forma de orquestar todo esto. Para el último punto, una herramienta como n8n es perfecta. Es visual, maneja errores y permite conectar cualquier API.

Orquestación de agentes IA con n8n y Claude

Cuando construyo un agente, n8n es mi plataforma de orquestación. Me permite definir los puntos de entrada, las llamadas a la API de Claude (o cualquier otro LLM), la lógica condicional y las integraciones con otros servicios. Por ejemplo, un nodo HTTP puede llamar a la API de Claude, y los nodos de lógica deciden qué hacer con la respuesta.

Lo clave es que n8n te da control granular sobre cada paso. Puedes inspeccionar la entrada y salida de cada nodo, depurar el flujo en tiempo real y añadir manejo de errores específico para cada integración. Esto es clave para construir un agente IA robusto que no te de sorpresas. Si quieres entender mejor cómo mantener el control, te puede interesar mi artículo sobre cómo automatizar IA sin perder el control.

Agente IA para clasificación de emails: un ejemplo práctico

Imagina un sistema simple que clasifica emails de soporte entrantes y los asigna a un equipo.

El flujo sería:

Activador: Un nuevo email llega a una bandeja específica.
LLM (Claude): Se envía el contenido del email a Claude con un prompt que pide clasificarlo (ej. “soporte técnico”, “ventas”, “facturación”) y extraer la prioridad (ej. “alta”, “media”, “baja”).
Lógica en n8n: Basado en la clasificación de Claude, un nodo Switch dirige el email.
Acción: Si es “soporte técnico” de prioridad “alta”, se crea un ticket urgente en Jira y se notifica al equipo de soporte en Slack. Si es “ventas”, se crea un lead en el CRM.

El prompt enviado a Claude es el cerebro de la automatización. Es donde defines las “reglas” y las “habilidades” de la automatización. Para que esto funcione, necesitas prompts efectivos que generen resultados predecibles y estructurados, como JSON.

Lo que ganas y lo que complicas

Lo que ganas:

Control total: Entiendes cada línea de lógica, cada llamada a API.
Depuración sencilla: Los errores son fáciles de rastrear y corregir.
Flexibilidad: Adaptas el comportamiento de la solución sin luchar contra las abstracciones de un framework.
Coste: Usas solo las herramientas que necesitas, sin sobrecarga de dependencias.

Lo que complicas:

Reutilización de componentes: Si construyes muchos sistemas con patrones comunes, puede que tengas que replicar lógica. Para esto, n8n permite crear módulos reutilizables.
Funcionalidades avanzadas: Si necesitas gestión de memoria compleja o planificación a largo plazo, tendrás que implementarlo manualmente. Sin embargo, la mayoría de las soluciones útiles no necesitan eso.

Mi regla es: empieza simple. Solo añade complejidad cuando el problema lo exija y cuando la solución simple ya no funcione. La mayoría de las veces, un agente IA con n8n y una API de LLM es más que suficiente. Si estás evaluando las herramientas para montar tus flujos de IA, tengo una guía que te ayuda a evaluar la herramienta IA adecuada para tu flujo de trabajo.

Si buscas integrar funcionalidades de inteligencia artificial en tus productos o procesos de negocio, te recomiendo leer sobre cómo integrar IA en un producto funcional. Y si ya usas n8n y quieres avanzar en su despliegue, aquí tienes una guía sobre cómo poner n8n en producción con Docker y Traefik.