En el Post 1: La Estrategia, prometí que no usaría herramientas de terceros para gestionar mis redes sociales. Prometí construir un “ejército de agentes”.

Hoy, dejamos el PowerPoint y abrimos el IDE. Vamos a construir el Cerebro del sistema.

El objetivo de hoy es técnico y concreto: crear un script en Python que sea capaz de leer un archivo .md de mi repositorio local, “leerlo” como lo haría un ingeniero senior, y devolverme un análisis estructurado en JSON.

Imagen conceptual del proyecto - El cerebro

El Stack Tecnológico: Velocidad sobre Potencia Bruta

Para esta tarea, he tomado dos decisiones de arquitectura:

  1. El Orquestador: CrewAI. Necesito algo que maneje “Agentes” y “Tareas”, no solo cadenas de texto. CrewAI me permite definir roles (quién eres) y goals (qué quieres), lo cual es vital para los siguientes pasos.
  2. El Modelo: Google Gemini Flash. Al principio intenté usar el modelo más potente (Pro), pero me di cuenta de un error de principiante: para tareas de lectura masiva y extracción de datos, no necesitas al filósofo, necesitas al bibliotecario rápido. Flash es mucho más rápido, barato (gratis en el tier actual) y tiene una ventana de contexto gigantesca.

Paso 1: Higiene del Repositorio (Clean Monorepo)

Antes de escribir código, hay que organizar la casa. Mi blog está hecho en Hugo, y no quiero ensuciar la carpeta del sitio web con scripts de Python.

He optado por una estructura de “Monorepo Limpio”. He creado una carpeta autopilot en la raíz del proyecto que actúa como un módulo independiente.

datalaria/
├── content/           <-- Mis posts en Markdown (Hugo)
├── themes/
├── autopilot/         <-- EL NUEVO CEREBRO 🧠
│   ├── .env           <-- ¡OJO! Aquí van las claves (Ignorado por Git)
│   ├── main.py        <-- El punto de entrada
│   └── src/           <-- Lógica de Agentes y Tareas
└── .gitignore         <-- Configurado para proteger mis secretos

Lección aprendida: Configura tu .gitignore antes de hacer el primer commit. Si subes tu API Key a GitHub por error, los bots tardarán segundos en encontrarla o peor aún, puede que te encuentres con costes indeseados de otros usuarios que hayan encontrado tu API Key.

Paso 2: El Código (Manos a la obra)

El corazón de este sistema no es main.py, sino cómo definimos al agente. Usando la librería crewai y langchain_google_genai, definí a mi primer empleado digital: “El Analista”.

El Problema de la “Obsesión con OpenAI”

Aquí me topé con el primer muro. CrewAI está diseñado por defecto para buscar una API Key de OpenAI (GPT-4). Aunque yo configuré Gemini, el script fallaba con el error:

ValueError: OPENAI_API_KEY is required

La solución fue forzar explícitamente el LLM (Large Language Model) dentro de la definición del agente. Así se ve el código en src/agents.py:

from crewai import Agent
from langchain_google_genai import ChatGoogleGenerativeAI
import os

class BlogAgents:
    def __init__(self):
        # Configuramos Gemini Flash explícitamente
        self.llm = ChatGoogleGenerativeAI(
            model="gemini-1.5-flash",
            verbose=True,
            temperature=0.2, # Baja temperatura = Más analítico, menos creativo
            google_api_key=os.getenv("GOOGLE_API_KEY")
        )

    def analyst_agent(self):
        return Agent(
            role='Senior Tech Editor & Data Analyst',
            goal='Analyze raw content to extract structured insights',
            backstory='You are a veteran tech editor...',
            allow_delegation=False,
            llm=self.llm  # <--- ESTA LÍNEA ES CRÍTICA. Si la quitas, buscará OpenAI.
        )

Paso 3: El Prompt de Ingeniería (JSON Mode)

Para que esto sea útil, el agente no puede simplemente “charlar” sobre el artículo. Necesito datos que pueda procesar computacionalmente después.

En src/tasks.py, definí la tarea con instrucciones estrictas de salida. No usé el “JSON Mode” nativo de la API (que a veces es complejo de configurar), sino que confié en la capacidad de instrucción del modelo:

“OUTPUT FORMAT: Return ONLY a valid JSON object with keys: summary, target_audience, tech_stack, key_takeaways, marketing_hooks.”

El Resultado: ¡Funciona!

Ejecuté el script contra uno de mis artículos técnicos más densos (sobre procesos S&OP). Tenía miedo de que el modelo alucinara o se perdiera en el texto.

El resultado en la terminal fue este JSON limpio:

{
  "summary": "This post demonstrates how Generative AI bridges the gap between complex business narratives and technical execution...",
  "target_audience": "Business Analysts, Industrial Engineers, Operations Managers...",
  "tech_stack": [
    "Generative AI (LLMs)",
    "BPMN 2.0",
    "Mermaid.js",
    "Gemini API"
  ],
  "marketing_hooks": [
    "Stop drowning in dense business requirements! 🚀 Learn how to use AI to turn messy narratives into professional BPMN diagrams...",
    "Documentation as Code is here. 💻 See how LLMs can generate Mermaid.js diagrams..."
  ]
}

Es impresionante. El modelo no solo resumió el texto, sino que entendió el contexto profundo: identificó que el artículo hablaba de “Mermaid.js” y “BPMN” y generó ganchos de marketing (“marketing_hooks”) que realmente suenan a algo que yo escribiría en Twitter.

¿Qué sigue?

Ya tenemos el Cerebro (autopilot) capaz de leer y entender lo que escribo en content. Los datos están estructurados y listos.

Pero un JSON no consigue likes.

En el próximo post, vamos a construir a Los Creativos. Usaremos estos datos para alimentar a dos nuevos agentes con personalidades opuestas: un experto en viralidad para Twitter y un estratega corporativo para LinkedIn. Y veremos cómo el Prompt Engineering puede cambiar drásticamente el tono de una IA.

👉 Código Fuente: Puedes ver el código de este módulo en la carpeta /autopilot del repositorio de Datalaria en GitHub.