Crea tu primer AGENTE de IA en 15 minutos (sin programar)

1. Creación de un agente de IA personalizado sin programación [0]

1.1. El método de cuatro pasos para crear agentes de IA [0]

1. Los agentes de IA son herramientas que realizan tareas automáticamente, y su creación es más sencilla de lo que parece [0].
2. Es posible tener un agente de IA personalizado que funcione en la nube o en herramientas como ChatGPT o Antigravity, capaz de gestionar tareas que consumen mucho tiempo, como preparar presupuestos o redactar informes [3].
3. El método de cuatro pasos permite crear agentes útiles en minutos, sin necesidad de conocimientos de programación o complicaciones técnicas [4].
4. Este método es ideal para automatizar cualquier tarea de forma sencilla, resultando en un agente que trabaja a la medida del usuario, aprende de las correcciones y funciona en cualquier herramienta [5].

1.2. Estructura de un agente de IA mediante carpetas [8]

1. Para ilustrar el proceso, se utiliza el ejemplo de un estudio de reformas que prepara presupuestos y propuestas con vistas 3D [8].
2. La creación de un agente comienza con una carpeta principal que lleva el nombre de la empresa, dentro de la cual se crean cuatro subcarpetas esenciales [10]:
   1. Contexto: Contiene información sobre cómo funciona la empresa, como tarifas, catálogos y el estilo de comunicación con el cliente [25].
   2. Skills (Habilidades): Almacena las "recetas" o pasos detallados para realizar cada tarea [27].
   3. Memoria: Guarda lo que el agente aprende con el tiempo [29].
   4. Proyectos: Un espacio de trabajo donde se organizan los clientes en subcarpetas individuales [31].
3. Además de las carpetas, se incluye un archivo de texto llamado agents.md que actúa como manual para la IA, indicándole quién es el agente y cómo debe usar la información de las otras carpetas [33].
   1. Las líneas más importantes de este manual son: "Si te falta un dato, pregunta en vez de inventar" y "Apunta por tu cuenta todo lo que te convenga recordar" [34].
   2. Estas instrucciones se escriben de forma sencilla, como si se le hablará a una persona, sin tecnicismos [37].
4. Las carpetas de skills y memoria inicialmente están vacías, ya que el agente las llenará automáticamente a medida que aprende y trabaja [42].

1.3. Mamouth AI: Una herramienta para gestionar modelos de IA [44]

1. Mamouth AI es una plataforma que simplifica el uso de múltiples modelos de inteligencia artificial (como ChatGPT, Claude, Gemini, Deepseek y Perplexity) desde una única interfaz [44].
2. Permite lanzar el mismo prompt a varios modelos y comparar sus respuestas para identificar el mejor resultado para cada tarea [49].
3. La plataforma también ofrece generación de imágenes con Flux y Recraft, animación de vídeo con Beo, Grock y Clean, e investigación profunda con Perplexity [50].
4. Recientemente, se ha añadido el modo agéntico, que permite delegar tareas complejas a un agente que ejecuta código, crea archivos y procesa datos en un entorno aislado [51].
5. Mamouth AI es una empresa europea que garantiza la privacidad de los datos, ya que los prompts no se guardan y las conversaciones no se utilizan para entrenar modelos [53].
6. El servicio está disponible desde 10 € al mes sin permanencia [56].

2. Configuración inicial y aprendizaje del agente de IA [58]

El segundo paso implica realizar la tarea manualmente en una herramienta de IA para que el agente aprenda y se ajuste a los criterios deseados.

2.1. Realización manual de la tarea en ChatGPT [58]

1. Una vez configurada la estructura de carpetas del agente, el siguiente paso es realizar la tarea por primera vez de forma manual en la herramienta de IA preferida, como ChatGPT [58].
2. Se carga la carpeta del agente en la herramienta, asegurándose de que el contexto contenga archivos como un catálogo de acabados, tarifas y un archivo de texto con las directrices de trato al cliente [60].
3. La carpeta de proyectos debe incluir los datos de entrada del cliente, como el encargo, las mediciones y el plano [62].
4. Las carpetas de memoria y skills están inicialmente vacías, y se llenarán automáticamente a medida que el agente aprenda de las interacciones [63].
5. En ChatGPT, se crea un nuevo proyecto y se le da una instrucción general al agente, como "Lee agents.md y prepara el presupuesto del proyecto 01 Piso García" [66].
6. El objetivo de esta instrucción es identificar qué puede hacer el modelo por sí solo y dónde necesita correcciones que luego se incorporarán como habilidades [72].

2.2. Interacción y corrección de criterios [73]

1. ChatGPT puede identificar preguntas o datos faltantes que necesita para continuar, lo que indica áreas donde el agente podría necesitar habilidades específicas [73].
2. Se responden estas preguntas directamente en el chat, proporcionando criterios que el agente debe aplicar siempre [75]:
   1. Por ejemplo, si la puerta de la cocina desaparece en una cocina abierta, se establece como un criterio a aplicar siempre [76].
   2. Si la nivelación del suelo debe incluirse, se indica que es un criterio que siempre debe aplicarse [78].
   3. Para los contenedores de residuos, se pide una estimación por defecto que se validará manualmente [80].
3. El agente guarda estos criterios para futuros presupuestos, lo que demuestra su capacidad de aprendizaje [82].
4. Inicialmente, el presupuesto generado por ChatGPT puede no ajustarse a los criterios deseados, por ejemplo, mezclando disciplinas con estancias [84].
5. Para corregir esto, se le da una nueva instrucción al agente para que rehaga el presupuesto siguiendo reglas específicas [87]:
   1. Estructurar por industriales (capítulos por oficio).
   2. Incluir suministro y colocación en una sola línea con un único precio.
   3. Utilizar unidades de medición específicas.
6. ChatGPT es capaz de seguir estos nuevos criterios, organizando el presupuesto por capítulos como derribos, albañilería, fontanería, etc. [93].
7. El objetivo es que el agente conozca estos criterios desde el principio, lo cual se abordará en el siguiente paso [97].

3. Consolidación de habilidades y escalabilidad del agente [99]

El tercer paso se centra en transformar los criterios aprendidos en habilidades estructuradas para que el agente realice las tareas correctamente desde el primer intento, y en demostrar la escalabilidad del sistema.

3.1. Creación de habilidades a partir de la memoria [99]

1. El tercer paso consiste en consolidar los criterios descubiertos durante la interacción manual en habilidades que permitan al agente realizar el trabajo correctamente desde el principio [99].
2. Aunque la carpeta de skills (habilidades) está vacía, la memoria del agente ya ha comenzado a registrar las indicaciones relevantes dadas durante la conversación [100].
   1. Por ejemplo, la memoria anota: "El usuario indica que al abrir una cocina su puerta desaparece por ser cocina abierta. aplicar siempre este criterio sin presupuestar su sustitución ni cerrar el hueco" [104].
   2. También registra: "El usuario pide suministro y colocación en una única partida y precio con material y modelo concreto, no separar material y mano de obra" [107].
3. La memoria anota los criterios de forma cronológica, mientras que las habilidades los clasifican y ordenan secuencialmente para que el agente aprenda a resolver tareas de manera estructurada [109].
4. Para crear una habilidad, se le pide a ChatGPT: "Crea una habilidad de creación de presupuestos que asegure que todos los criterios planteados a lo largo de la conversación se cumplan siempre" [111].
5. ChatGPT crea automáticamente esta habilidad y la guarda en la carpeta de skills, organizándola con el formato correcto [114].
6. A partir de este momento, el agente consultará esta habilidad para aplicar todos los criterios definidos manualmente en futuras creaciones de presupuestos [118].

3.2. Modularidad y escalabilidad del sistema [119]

1. El sistema es completamente modulable y escalable, lo que significa que se pueden añadir más habilidades al agente [119].
2. Continuando la misma conversación, se le puede pedir al agente que realice una tarea adicional, como crear un recorrido 3D inmersivo del proyecto que se pueda ejecutar en una web [121].
3. El agente puede simplificar la representación y generar una experiencia interactiva donde se visualiza el piso antes y después de la reforma, se suben y bajan muros, y se desglosa el presupuesto al interactuar con los elementos 3D [126].
4. Esta experiencia 3D, aunque básica, puede conectarse a herramientas más avanzadas como Blender para representaciones más complejas [133].
5. Una vez completada esta tarea, se puede repetir el proceso para crear otra habilidad, y el agente la guardará en la misma carpeta de skills [134].
6. Por ejemplo, además de la habilidad de crear presupuestos, se puede tener una habilidad para crear recorridos 3D, que puede ser más compleja e incluir instrucciones, referencias y activos procedurales [136].
7. La ventaja de este sistema es que todas las habilidades creadas son reutilizables [138].

4. Reutilización del agente en diferentes herramientas [139]

El último paso demuestra cómo el agente de IA, una vez configurado, puede replicar el mismo proceso en diversas herramientas con una sola instrucción, lo que resalta su versatilidad y eficiencia.

4.1. Ejecución del agente en Cloud Cowork [139]

1. El agente, que inicialmente se configuró y probó en ChatGPT, puede ser reutilizado en otras herramientas como Cloud Cowork [139].
2. Para ello, se prepara la información del siguiente proyecto y se carga en la carpeta de proyectos del agente, incluyendo el encargo, las mediciones y el plano [142].
3. Luego, se le da acceso al agente a Cloud Cowork, seleccionando la carpeta del agente para que trabaje en ella [144].
4. Con una única instrucción, como "Lee agents.md y completa la propuesta del proyecto 2 Atico Ferré. Crea el presupuesto y la experiencia 3D interactiva", el agente es capaz de generar todos los entregables [147].
5. Cloud Cowork entrega directamente los tres resultados: el presupuesto en formato Excel, el presupuesto en formato HTML y el recorrido interactivo 3D [149].
6. El recorrido interactivo generado en Cloud Cowork es prácticamente idéntico en estilo al creado por ChatGPT, permitiendo subir y bajar muros, ver el estado actual y reformado, y moverse por el ático como en un videojuego [154].
7. Esto demuestra que el agente, con una sola instrucción, puede replicar el mismo proceso en cualquier herramienta [158].

4.2. Beneficios y escalabilidad del sistema de agentes [159]

1. El archivo agents.md, que gestiona el agente, puede descargarse como referencia para configurar otros agentes [160].
2. La principal ventaja de este sistema es su capacidad para realizar cualquier tarea y su escalabilidad, permitiendo añadir más y más habilidades a cada agente [161].
3. Los proyectos se organizan automáticamente, lo que facilita la gestión [163].
4. Dado que cada agente reside en una carpeta, es posible almacenarlos todos en una única carpeta global, creando un sistema que puede resolver la mayoría de las tareas diarias en cualquier herramienta [164].
5. Este sistema también permite que los agentes manejen mejor el conocimiento, lo que se puede explorar en videos adicionales [165].