El Agente Orquestador: Cómo tu IA Entiende tu Marca y Ejecuta Briefs — Parte 2 de 5

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

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"
}

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.

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]

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"
    }
  }'

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
};

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()
};

---

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"
}

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 →