Construye tu primer agente: sin código y con código

🔄 En las lecciones 1-6 cubrimos la teoría: qué son los agentes, cómo piensan (ReAct), qué herramientas usan, cómo recuerdan y cómo colaboran. Ahora toca construir.

Dos caminos, un mismo objetivo

Hay dos formas de construir agentes:

Elige el que se adapte a tu perfil. Los conceptos son los mismos.

Camino 1: Agente con n8n (sin código)

n8n es la herramienta de automatización más popular en la comunidad hispanohablante. Tiene nodos nativos de IA que permiten crear agentes con interfaz visual.

Paso 1: Configura el modelo

En n8n, creas un flujo y agregas un nodo “AI Agent”. Este nodo necesita un modelo:

• Conectas un nodo de credenciales (OpenAI, Anthropic, etc.)
• Seleccionas el modelo (GPT-4o, Claude 3.5 Sonnet)
• Defines las instrucciones del sistema

Paso 2: Conecta herramientas

Agregas nodos de herramientas al agente:

• Calculator — Para cálculos matemáticos
• HTTP Request — Para llamar cualquier API
• Google Search — Para búsqueda web
• Code — Para ejecutar JavaScript personalizado

Cada herramienta se conecta al nodo del agente. El agente decide cuándo usar cada una según el ciclo ReAct.

Paso 3: Añade memoria (opcional)

Conectas un nodo de memoria:

• Window Buffer Memory — Recuerda los últimos N mensajes
• Postgres Chat Memory — Persiste el historial en base de datos

Paso 4: Define el trigger

¿Cómo se activa el agente?

• Chat trigger — Interfaz de chat embebida
• Webhook — Se activa cuando recibe una petición HTTP
• Schedule — Se ejecuta cada hora, día, semana

Ejemplo completo: Un agente que recibe preguntas por webhook, busca en internet, calcula si es necesario, y responde con datos actualizados.

✅ Quick Check: ¿Cuáles son los 3 componentes que siempre necesitas en un agente de n8n? (Un modelo LLM, al menos una herramienta, y un trigger que active el flujo. La memoria es opcional pero recomendada.)

Camino 2: Agente con Python (LangChain)

Para quienes prefieren código, LangChain es el framework más usado. Aquí va un agente mínimo:

Instalación

pip install langchain langchain-openai

Agente básico con herramientas

from langchain_openai import ChatOpenAI
from langchain.agents import create_react_agent, AgentExecutor
from langchain.tools import Tool
from langchain import hub

# 1. Modelo
llm = ChatOpenAI(model="gpt-4o", temperature=0)

# 2. Herramientas
def buscar_precio(producto: str) -> str:
    """Busca el precio de un producto."""
    # En producción, esto llamaría a una API real
    precios = {"laptop": "$800", "monitor": "$350", "teclado": "$45"}
    return precios.get(producto.lower(), "Producto no encontrado")

herramientas = [
    Tool(
        name="buscar_precio",
        func=buscar_precio,
        description="Busca el precio de un producto electrónico"
    )
]

# 3. Prompt ReAct
prompt = hub.pull("hwchase17/react")

# 4. Crear agente
agente = create_react_agent(llm, herramientas, prompt)
executor = AgentExecutor(agent=agente, tools=herramientas, verbose=True)

# 5. Ejecutar
resultado = executor.invoke({"input": "¿Cuánto cuesta un monitor?"})
print(resultado["output"])

Lo que pasa internamente:

1. El modelo recibe la pregunta y los schemas de herramientas
2. Piensa: “Necesito buscar el precio del monitor”
3. Llama a buscar_precio("monitor")
4. Recibe “$350”
5. Responde: “El monitor cuesta $350”

Con verbose=True puedes ver cada paso del ciclo ReAct en la terminal.

Añadir más herramientas

import numexpr

def calcular(expresion: str) -> str:
    """Calcula una expresión matemática de forma segura."""
    return str(numexpr.evaluate(expresion))

herramientas.append(
    Tool(name="calculadora", func=calcular,
         description="Calcula expresiones matemáticas")
)

Ahora el agente puede buscar precios Y hacer cálculos: “¿Cuánto cuestan 3 monitores con 10% de descuento?”

Guardrails: lo que tu agente NO debe hacer

Antes de desplegar cualquier agente, define límites:

Instrucciones negativas en el prompt del sistema:

NO ejecutes acciones que modifiquen datos sin confirmación del usuario.
NO compartas información personal de un cliente con otro.
NO inventes datos — si no tienes la información, dilo.
Si no puedes resolver la tarea en 5 pasos, escala a un humano.

Límites técnicos:

• Máximo de iteraciones del loop (evita loops infinitos)
• Timeout por herramienta (evita que una API lenta bloquee todo)
• Lista blanca de herramientas (el agente solo puede usar las que defines)

✅ Quick Check: ¿Por qué es importante poner un límite de iteraciones al loop del agente? (Porque sin límite, un agente puede entrar en un loop infinito — repitiendo las mismas acciones sin avanzar, consumiendo tokens y dinero. Un límite de 10-15 iteraciones es razonable para la mayoría de tareas.)

Puntos clave

• n8n: agentes visuales sin código — modelo + herramientas + trigger
• Python/LangChain: agentes con código — control total del flujo
• Ambos usan ReAct: pensar → actuar → observar → repetir
• Guardrails son obligatorios: límites de iteraciones, herramientas permitidas, escalación a humano
• Empieza con lo más simple que funcione: n8n para prototipos, Python para producción

Siguiente lección

Última lección. En el capstone vas a diseñar un agente completo para tu trabajo real — eligiendo los componentes, herramientas, memoria y controles de seguridad adecuados.