惯性聚合 高效追踪和阅读你感兴趣的博客、新闻、科技资讯
阅读原文 在惯性聚合中打开

推荐订阅源

Martin Fowler
Martin Fowler
博客园 - 【当耐特】
GbyAI
GbyAI
M
MIT News - Artificial intelligence
Microsoft Azure Blog
Microsoft Azure Blog
A
About on SuperTechFans
罗磊的独立博客
Apple Machine Learning Research
Apple Machine Learning Research
腾讯CDC
F
Fortinet All Blogs
IT之家
IT之家
WordPress大学
WordPress大学
Cyber Security Advisories - MS-ISAC
Cyber Security Advisories - MS-ISAC
Last Week in AI
Last Week in AI
Google DeepMind News
Google DeepMind News
Jina AI
Jina AI
让小产品的独立变现更简单 - ezindie.com
让小产品的独立变现更简单 - ezindie.com
D
DataBreaches.Net
奇客Solidot–传递最新科技情报
奇客Solidot–传递最新科技情报
钛媒体:引领未来商业与生活新知
钛媒体:引领未来商业与生活新知
H
Help Net Security
V
Visual Studio Blog
小众软件
小众软件
Y
Y Combinator Blog

DEV Community

Authentication Security Deep Dive: From Brute Force to Salted Hashing (With Java Examples) Why AI Systems Don’t Fail — They Drift Spilling beans for how i learn for exam😁"Reinforcement Learning Cheat Sheet" I Replaced Chrome with Safari for AI Browser Automation. Here's What Broke (and What Finally Worked) How Python Borrows Other People's Work The $40 Architecture: Processing 1 Billion API Requests with 99.99% Uptime Vibe Coding: A Workflow Guide (From Zero to SaaS) Most webhook security guides protect the wrong side. The scary part is delivery. Headless CMS for TanStack Start: Build a Blog with Cosmic EU Age Verification App "Hacked in 2 Minutes" — What Actually Happened Comfy Cloud’s delete function does not actually remove files Running AI Models on GPU Cloud Servers: A Beginner Guide Event-driven media intelligence with AWS Step Functions and Bedrock I scored 500 AI prompts across 8 quality dimensions — here's what broke How to Call Google Gemini API from Next.js (Free Tier, No Backend Needed) The Portal Protocol: Reclaiming Human Connection in the Age of AI How to Fix Your Team's Scattered Knowledge Problem With a Self-Hosted Forum Intro to tc Cloud Functors: A Graph-First Mental Model for the Modern Cloud Designing Multi-Tenant Backends With Both Ownership and Team Access I Built a Neumorphic CSS Library with 77+ Components — Here's What I Learned PostgreSQL Performance Optimization: Why Connection Pooling Is Critical at Scale Cómo construí un SaaS multi-rubro para gestionar expensas en Argentina con FastAPI + Vue 3 🚀 I Built an Ethical Hacking Scanner Tool – Open Source Project I Replaced /usage and /context in Claude Code With a Single Statusline A Pythonic Way to Handle Emails (IMAP/SMTP) with Auto-Discovery and AI-Ready Design I Collected 8.9 Million Polymarket Price Points — Here's What I Found About How Markets Really Move EcoTrack AI — Carbon Footprint Tracker & Dashboard Everyone's Using AI. No One Agrees How. 5 self-hosted ebook managers worth trying in 2026 Building Your First AI Agent with LangChain: From Chatbot to Autonomous Assistant
El Agente Orquestador: Cómo tu IA Entiende tu Marca y Eje...
jesus manriq · 2026-05-15 · via DEV Community

El Agente Orquestador: Cómo tu IA Entiende tu Marca y Ejecuta Briefs

En el artículo anterior dejamos un endpoint funcional: le mandas un topic, te devuelve un post. Funciona. Pero hay un problema — y es el mismo problema que hace que el 80% del contenido generado por IA se sienta… genérico.

El problema del prompt único.

Cuando escribes "hazme un post sobre productividad", la IA no sabe nada sobre tu marca. No sabe si tu audiencia son CEOs o pasantes. No sabe si tu tono es irreverente o corporativo. No sabe que jamás usarías la palabra "empoderar" ni el emoji 🚀.

El resultado: contenido correcto, gramaticalmente impecable, completamente olvidable.

La solución: un agente orquestador con memoria de marca.


Por Qué los Prompts Sueltos No Escalan

Imagina este escenario real. Tienes tres personas en tu equipo generando contenido con IA:

  • Ana escribe: "post para instagram sobre nuestro nuevo feature de reportes"
  • Carlos escribe: "algo para stories sobre datos, que sea moderno"
  • María escribe: "contenido para linkedin, tono serio, sobre analytics"

Tres personas, tres estilos de prompt, cero consistencia. El feed de tu marca parece manejado por tres empresas distintas. Y cada vez que quieres ajustar el tono, tienes que entrenar a tres personas.

Un agente orquestador resuelve esto con dos conceptos clave:

  1. Memoria de marca: Un system prompt que contiene voz, audiencia, palabras prohibidas, estructura preferida
  2. Briefs estructurados: En vez de prompts libres, usas JSON con campos específicos

Anatomía de un Brief Estructurado

Esto no es un prompt:

Hazme un post sobre productividad para Instagram

Enter fullscreen mode Exit fullscreen mode

Esto es un brief:

{
  "brand": "guayoyo_tech",
  "platform": "instagram_feed",
  "content_type": "educational",
  "topic": "automatizacion_de_reportes",
  "hook_angle": "tiempo_ahorrado",
  "key_points": [
    "Reducimos 12 horas semanales de reporting manual",
    "Datos en tiempo real sin esperar a fin de mes",
    "Un dashboard que se actualiza solo"
  ],
  "cta_goal": "demo_booking",
  "visual_note": "dashboard con gráficos en colores #1A73E8 y #0b1120"
}

Enter fullscreen mode Exit fullscreen mode

Cada campo tiene un propósito. El agente no "interpreta" — ejecuta. Y como el brief es JSON, puedes generarlo desde un CRM, un form de Airtable, o incluso otro nodo de IA.


La Memoria de Marca: El System Prompt que Define Todo

En n8n, la memoria de marca se almacena como un nodo Set que inyecta el system prompt antes de cada llamada al LLM. Este es el nuestro para Guayoyo Tech:

Eres Guayoyo AI, el asistente de contenido de Guayoyo Tech.

IDENTIDAD DE MARCA:
- Guayoyo Tech construye software enterprise y automatizaciones con IA para empresas en Latinoamérica.
- No somos una startup de Silicon Valley. Somos ingenieros serios resolviendo problemas reales.
- Nuestro cliente es el director de tecnología o CEO de una empresa mediana-grande.

VOZ Y TONO:
- Directo, sin hype, sin buzzwords vacías.
- Tono profesional pero cercano. Como un colega que sabe mucho y te lo explica sin condescendencia.
- Usamos "tú" (no "usted") en español. En inglés, tono conversacional profesional.

PALABRAS PROHIBIDAS:
- Empoderar, disruptivo, game-changer, sinergia, revolucionario, next-gen, leveraging, holístico.
- Emojis prohibidos: 🚀 (abusado), 💡 (cliché), 🔥 (no somos una marca de energía).

ESTRUCTURA DE POST:
1. Hook (1-2 líneas, pregunta o dato impactante)
2. Cuerpo (3-4 bullet points o párrafos cortos)
3. Hashtags (5-7, mezcla de nicho y tendencia)
4. CTA (específico, una acción clara)

NUNCA:
- Termines un post sin CTA.
- Uses más de 2 emojis por post.
- Hagas promesas exageradas ("esto cambiará tu vida").
- Menciones competidores por nombre.

Enter fullscreen mode Exit fullscreen mode

Este system prompt viaja en cada llamada al LLM. El agente no "recuerda" la marca — la marca es parte de su instrucción base.


Construyendo el Agente en n8n: El Flujo de 5 Nodos

Vamos a transformar el flujo simple del artículo 1 en un agente orquestador completo.

Flujo visual:

[Webhook] → [Set: Brand Memory] → [Code: Build Prompt] → [Ollama: Generate] → [Code: Parse Response] → [Respond]

Enter fullscreen mode Exit fullscreen mode

Nodo 1: Webhook

Igual que antes, recibe el brief JSON:

curl -X POST http://localhost:5678/webhook/agente-contenido \
  -H "Content-Type: application/json" \
  -d '{
    "brief": {
      "platform": "instagram_feed",
      "content_type": "educational",
      "topic": "automatizacion_de_reportes",
      "hook_angle": "tiempo_ahorrado",
      "key_points": [
        "Reducimos 12 horas semanales de reporting manual",
        "Datos en tiempo real sin esperar a fin de mes",
        "Dashboard auto-actualizable"
      ],
      "cta_goal": "demo_booking",
      "visual_note": "dashboard con gráficos azules"
    }
  }'

Enter fullscreen mode Exit fullscreen mode

Nodo 2: Set — Brand Memory

En n8n, un nodo Set permite definir valores fijos. Configúralo así:

Name Value
brandSystemPrompt (pega el system prompt completo de arriba)
brandName Guayoyo Tech
brandColors #1A73E8, #0b1120, #22d3ee

Estos valores están disponibles para todos los nodos siguientes como {{ $json.brandSystemPrompt }}.

Nodo 3: Code — Build Structured Prompt

Aquí es donde la magia ocurre. Este nodo de código (JavaScript) construye el prompt final combinando la memoria de marca con el brief:

// Obtener inputs de los nodos anteriores
const brief = $input.first().json.brief;
const brandSystemPrompt = $('Set').first().json.brandSystemPrompt;
const brandColors = $('Set').first().json.brandColors;

// Construir prompt estructurado
const userPrompt = `
BRIEF DE CONTENIDO:

Plataforma: ${brief.platform}
Tipo de contenido: ${brief.content_type}
Tema: ${brief.topic}
Ángulo del hook: ${brief.hook_angle}

Puntos clave a cubrir:
${brief.key_points.map((p, i) => `${i + 1}. ${p}`).join('\n')}

Objetivo del CTA: ${brief.cta_goal}
Nota visual (para el diseñador/IA de imágenes): ${brief.visual_note}

Colores de marca: ${brandColors}

INSTRUCCIONES:
Genera un post completo con esta estructura exacta:
1. HOOK (1-2 líneas)
2. CUERPO (3-4 párrafos o bullets)
3. HASHTAGS (5-7)
4. CTA (1 línea)

El hook debe enganchar con: ${brief.hook_angle}.
El CTA debe llevar a: ${brief.cta_goal}.
No uses palabras prohibidas. Máximo 2 emojis.
Responde en formato JSON con los campos: hook, body, hashtags, cta.
`;

return {
  systemPrompt: brandSystemPrompt,
  userPrompt: userPrompt,
  platform: brief.platform,
  visualNote: brief.visual_note
};

Enter fullscreen mode Exit fullscreen mode

Nodo 4: Ollama Chat Model

Configúralo para usar tanto el system prompt como el user prompt:

  • Credential: Ollama Local
  • Model: mistral:7b
  • Messages:
    • System: {{ $json.systemPrompt }}
    • User: {{ $json.userPrompt }}
  • Temperature: 0.8 (un poco más creativo)
  • Response Format: JSON (si tu versión de Ollama lo soporta; si no, lo parseamos en el siguiente nodo)

Nodo 5: Code — Parse Response

El LLM puede devolver JSON con formato inconsistente. Este nodo lo normaliza:

const rawResponse = $input.first().json.message?.content || $input.first().json.response;

// Intentar parsear JSON; si falla, extraer con regex
let parsed;
try {
  parsed = JSON.parse(rawResponse);
} catch (e) {
  // Fallback: extraer campos con regex
  const hookMatch = rawResponse.match(/HOOK:?\s*(.+?)(?=\n\n|\n[A-Z])/s);
  const bodyMatch = rawResponse.match(/CUERPO:?\s*(.+?)(?=\n\n|\n[A-Z])/s);
  const hashtagsMatch = rawResponse.match(/HASHTAGS:?\s*(.+?)(?=\n\n|\n[A-Z])/s);
  const ctaMatch = rawResponse.match(/CTA:?\s*(.+?)(?=\n\n|$)/s);

  parsed = {
    hook: hookMatch?.[1]?.trim() || '',
    body: bodyMatch?.[1]?.trim() || '',
    hashtags: hashtagsMatch?.[1]?.trim() || '',
    cta: ctaMatch?.[1]?.trim() || ''
  };
}

// Construir post completo
const fullPost = `${parsed.hook}

${parsed.body}

${parsed.hashtags}

${parsed.cta}`;

return {
  hook: parsed.hook,
  body: parsed.body,
  hashtags: parsed.hashtags,
  cta: parsed.cta,
  fullPost: fullPost,
  visualNote: $input.first().json.visualNote,
  platform: $input.first().json.platform,
  timestamp: new Date().toISOString()
};

Enter fullscreen mode Exit fullscreen mode


Probando el Agente

Envía el brief y recibe un post completo y consistente con tu marca:

{
  "hook": "¿12 horas a la semana haciendo reportes que se actualizan solos? Algo no cuadra.",
  "body": "Todas las semanas, tu equipo pasa el equivalente a un día y medio laboral consolidando datos que ya existen en tus sistemas.\n\nCon un dashboard automatizado:\n• Los datos llegan en tiempo real, no cuando alguien corre el query\n• El reporte del lunes ya está listo el viernes a las 5pm\n• Tu equipo deja de copiar y pegar y empieza a analizar\n\nNo es magia. Es ingeniería bien hecha.",
  "hashtags": "#Automatización #BusinessIntelligence #DataAnalytics #Productividad #TechLatam #GuayoyoTech",
  "cta": "¿Quieres ver cómo se vería esto en tu empresa? Agenda una demo sin costo en guayoyo.tech/contacto"
}

Enter fullscreen mode Exit fullscreen mode

Compara esto con lo que obtendrías de un prompt suelto. La diferencia es la memoria de marca. El agente sabe quién eres, cómo hablas, y qué nunca dirías.


¿Por Qué Mistral 7B y No GPT-4?

Mistral 7B con 4-bit quantization corre en ~6GB de VRAM y genera ~40 tokens/segundo en una RTX 3090. Para generación de copy estructurado, su calidad es comparable a GPT-3.5-Turbo. Y es gratis, privado, y sin límites de rate.

¿Necesitas más calidad? Sube a Mixtral 8x7B (~24GB VRAM) o incluso Llama 3 70B con quantización. La arquitectura del agente no cambia — solo cambias el modelo en el nodo de Ollama.


Lo Que Viene

Ahora tienes un agente que recibe briefs estructurados y produce copy consistente con tu marca. Pero un post sin imagen es medio post. En el próximo artículo, vamos a conectar ComfyUI con Stable Diffusion para generar imágenes que no solo se vean bien — sino que se vean tuyas.


¿Ya tienes un LLM generando contenido pero los resultados son inconsistentes? En Guayoyo Tech diseñamos agentes de contenido con memoria de marca para empresas que necesitan copy que realmente suene a ellas. Hablemos →


Artículo 1: Del Prompt al Post | Artículo 3: Imágenes que Venden →