Artículos
Notas detalladas sobre cómo se montan los sistemas de IA: qué se ejecuta dónde, cuánto cuesta y dónde suelen fallar las cosas.
Cómo publicar MCP con una puntuación de 10/10
Las personas encuentran formas de sortear las API defectuosas sin decir nada. Los agentes te indican el campo exacto que les ha dado problemas. Este es el ciclo de dos partes que uso para probar MCP, API, CLI y SDK: qué detectaron las pruebas automatizadas en 94 ejecuciones y el harness que publiqué como código abierto.
Tu agente no ha leído tu carpeta
Abrir una carpeta en Claude Code o Codex no hace que sus archivos aparezcan en la mente del modelo. Empieza sabiendo casi nada y tiene que ir a leerlos. Eso es bueno, y convierte `AGENTS.md` en el archivo más importante que escribirás.
Un agente de IA solo hace dos cosas
En cada paso, un agente o te escribe un mensaje o llama a una herramienta. Ese es todo el mecanismo. Cuando lo entiendes, Claude Code, ChatGPT y un agente de n8n son lo mismo, pero con herramientas distintas. Y sabes dónde buscar cuando alguno se equivoca.
Tu MCP no acepta archivos binarios. Así puedes solucionarlo
Los argumentos de una herramienta son texto, así que no hay dónde enviar un PDF o un XLSX. La solución: el MCP devuelve una URL de subida de un solo uso y el agente envía allí el archivo mediante una petición HTTP normal. Así lo he implementado en mi SaaS, AI Glot, y así puedes protegerlo.
Las herramientas que doy a cada agente que ejecuto
Cinco claves que integro en cualquier agente que use: Linkup para búsqueda web, Apify para scraping, Softr para almacenamiento, Cloudflare para despliegues y OpenRouter para llamadas a modelos económicas. Para qué sirve cada una y las reglas que he definido.
La curiosidad es lo que te hace bueno usando la IA
Los agentes ocultan todo lo que antes veías cuando construías cada paso por tu cuenta. Aun así, puedes echar un vistazo: consulta la lista de herramientas, abre las llamadas, pregunta cómo piensa hacer lo que le has pedido. Esto es lo que observo y lo que me ha aportado.
Jev redujo un 61% el coste de este agente de IA
Un 61% en su tarea más eficaz y un 29% de media en ocho tareas, medido en 192 ejecuciones con evaluación determinista y sin perder calidad. Usé Jev, el nuevo modelo de decisión de TypeSafe, para elegir qué habilidades precarga un agente y eliminar de cada respuesta de herramienta los campos que nunca leerá.
Dales a los agentes una herramienta para enviarte comentarios
Ahora son los agentes quienes usan tu MCP y se topan con obstáculos que tú nunca ves. Una herramienta más les permite contarte qué ha fallado, qué esperaban y qué modelo y entorno de ejecución estaban usando. Este es el formato que uso y un informe real que recibí.
He dejado de usar MCP en la mayor parte de mi trabajo
MCP es ideal para tareas puntuales. Para procesos volumétricos es lento, consume demasiados tokens y obliga al agente a repetir datos que ya posee. Esto es lo que uso en su lugar: llamadas directas a la API en scripts, una habilidad que las documente y un proxy para que nadie guarde claves en su portátil.
Mantén tus repositorios independientes del entorno de IA
En una semana normal uso cuatro herramientas de programación con IA. Tres prácticas hacen que mis repositorios funcionen con todas ellas, y hay un problema que todavía no he resuelto.
Los modelos pequeños deberían decidir qué ven los grandes
Cada vez es más habitual que un modelo grande coordine a otros más pequeños. Creo que se puede ganar aún más colocando modelos pequeños a su alrededor: para seleccionar el contexto, filtrar lo que devuelven sus herramientas y comprimir los resultados mientras aún están frescos.
Cada aplicación de negocio que construí necesitaba las mismas cuatro páginas
Cuatro años creando herramientas internas y portales de clientes, y la estructura de páginas apenas cambió: una página de inicio por grupo de usuarios, las aburridas páginas de utilidad, una página de entidad por objeto y una página de detalle detrás. Qué incluir en cada una y cómo decidirlo.
Truco sencillo para mejorar la eficiencia de los chats con IA
La mayoría de las apps de chat con IA nombran la conversación una sola vez o la renombran tras cada mensaje. Una línea de lógica intermedia mantiene los títulos actualizados y reduce el coste de la función en un 75%.
Dominar los sub-workflows de n8n puede hacerte peligrosamente bueno en IA
Esto parece un artículo sobre n8n, pero no lo es. Dividir un trabajo repetitivo en pasos, dar a cada paso solo el contexto necesario y elegir un modelo por paso son las habilidades que deciden si algo que construyes con IA es rentable. En n8n es donde más fácil se ven.
La mayoría de los agentes de IA no deberían ser agentes
En unos meses reduje en unos cinco el número de agentes de mis flujos de trabajo en producción. Los sustituí por un modelo pequeño que dirige cada solicitud, pasos definidos de antemano en lugar de decidirlos en tiempo de ejecución y la carga y el almacenamiento manuales de la memoria de conversación. Este es el esquema.
Consejos concretos para pasar de un RAG simple a uno mejor
La configuración de los tutoriales no te da control sobre la consulta, hace una sola consulta por llamada y devuelve cuatro fragmentos. Seis cambios para solucionarlo, desde multi-query hasta un umbral de relevancia, nodo a nodo en n8n.