Agente

El bloque Agente conecta tu flujo de trabajo con Modelos de Lenguaje Grandes (LLMs). Procesa entradas en lenguaje natural, llama a herramientas externas y genera salidas estructuradas o no estructuradas.

Opciones de configuración

Prompt del sistema

El prompt del sistema establece los parámetros operativos y las restricciones de comportamiento del agente. Esta configuración define el rol del agente, la metodología de respuesta y los límites de procesamiento para todas las solicitudes entrantes.

You are a helpful assistant that specializes in financial analysis.
Always provide clear explanations and cite sources when possible.
When responding to questions about investments, include risk disclaimers.

Prompt del usuario

El prompt del usuario representa los datos de entrada principales para el procesamiento de inferencia. Este parámetro acepta texto en lenguaje natural o datos estructurados que el agente analizará y a los que responderá. Las fuentes de entrada incluyen:

Configuración estática: Entrada de texto directa especificada en la configuración del bloque
Entrada dinámica: Datos pasados desde bloques anteriores a través de interfaces de conexión
Generación en tiempo de ejecución: Contenido generado programáticamente durante la ejecución del flujo de trabajo

Selección de modelo

El bloque Agente admite múltiples proveedores de LLM a través de una interfaz de inferencia unificada. Los modelos disponibles incluyen:

OpenAI: GPT-5.1, GPT-5, GPT-4o, o1, o3, o4-mini, gpt-4.1
Anthropic: Claude 4.5 Sonnet, Claude Opus 4.1
Google: Gemini 2.5 Pro, Gemini 2.0 Flash
Otros proveedores: Groq, Cerebras, xAI, Azure OpenAI, OpenRouter
Modelos locales: modelos compatibles con Ollama o VLLM

Temperatura

Controla la aleatoriedad y creatividad de la respuesta:

Baja (0-0.3): Determinista y enfocada. Mejor para tareas factuales y precisión.
Media (0.3-0.7): Equilibrio entre creatividad y enfoque. Buena para uso general.
Alta (0.7-2.0): Creativa y variada. Ideal para lluvia de ideas y generación de contenido.

Clave API

Tu clave API para el proveedor LLM seleccionado. Se almacena de forma segura y se utiliza para la autenticación.

Herramientas

Amplía las capacidades del agente con integraciones externas. Selecciona entre más de 60 herramientas predefinidas o define funciones personalizadas.

Categorías disponibles:

Comunicación: Gmail, Slack, Telegram, WhatsApp, Microsoft Teams
Fuentes de datos: Notion, Google Sheets, Airtable, Supabase, Pinecone
Servicios web: Firecrawl, Google Search, Exa AI, automatización de navegador
Desarrollo: GitHub, Jira, Linear
Servicios de IA: OpenAI, Perplexity, Hugging Face, ElevenLabs

Modos de ejecución:

Auto: El modelo decide cuándo usar herramientas según el contexto
Requerido: La herramienta debe ser llamada en cada solicitud
Ninguno: Herramienta disponible pero no sugerida al modelo

Formato de respuesta

El parámetro de formato de respuesta impone la generación de salidas estructuradas mediante la validación de esquemas JSON. Esto asegura respuestas consistentes y legibles por máquina que se ajustan a estructuras de datos predefinidas:

{
  "name": "user_analysis",
  "schema": {
    "type": "object",
    "properties": {
      "sentiment": {
        "type": "string",
        "enum": ["positive", "negative", "neutral"]
      },
      "confidence": {
        "type": "number",
        "minimum": 0,
        "maximum": 1
      }
    },
    "required": ["sentiment", "confidence"]
  }
}

Esta configuración restringe la salida del modelo para que cumpla con el esquema especificado, evitando respuestas de texto libre y asegurando la generación de datos estructurados.

Acceso a los resultados

Después de que un agente completa su tarea, puedes acceder a sus salidas:

<agent.content>: El texto de respuesta del agente o datos estructurados
<agent.tokens>: Estadísticas de uso de tokens (prompt, completion, total)
<agent.tool_calls>: Detalles de cualquier herramienta que el agente utilizó durante la ejecución
<agent.cost>: Costo estimado de la llamada a la API (si está disponible)

Funciones avanzadas

Memoria + Agente: Historial de conversación

Utiliza un bloque Memory con un id consistente (por ejemplo, chat) para persistir mensajes entre ejecuciones, e incluir ese historial en el prompt del Agente.

Añade el mensaje del usuario antes del Agente
Lee el historial de conversación para contexto
Añade la respuesta del Agente después de que se ejecute

Consulta la referencia del bloque Memory para más detalles.

Salidas

<agent.content>: Texto de respuesta del agente
<agent.tokens>: Estadísticas de uso de tokens
<agent.tool_calls>: Detalles de ejecución de herramientas
<agent.cost>: Costo estimado de la llamada a la API

Ejemplos de casos de uso

Automatización de atención al cliente - Gestiona consultas con acceso a base de datos y herramientas

API (Ticket) → Agent (Postgres, KB, Linear) → Gmail (Reply) → Memory (Save)

Análisis de contenido multi-modelo - Analiza contenido con diferentes modelos de IA

Function (Process) → Agent (GPT-4o Technical) → Agent (Claude Sentiment) → Function (Report)

Asistente de investigación con herramientas - Investiga con búsqueda web y acceso a documentos

Input → Agent (Google Search, Notion) → Function (Compile Report)

Mejores prácticas

Sé específico en los prompts del sistema: Define claramente el rol, tono y limitaciones del agente. Cuanto más específicas sean tus instrucciones, mejor podrá el agente cumplir con su propósito.
Elige la configuración de temperatura adecuada: Usa configuraciones de temperatura más bajas (0-0.3) cuando la precisión sea importante, o aumenta la temperatura (0.7-2.0) para respuestas más creativas o variadas.
Aprovecha las herramientas eficazmente: Integra herramientas que complementen el propósito del agente y mejoren sus capacidades. Sé selectivo con las herramientas que proporcionas para evitar sobrecargar al agente. Para tareas con poco solapamiento, usa otro bloque de Agente para obtener mejores resultados.

Agente

On this page