Agentes de IA
Un equipo de agentes de IA para el día a día.
- #IA
- #Automatización
Publica la web y comprueba que responde
Pensando
deployrama de pruebas
verificarHTTP 200
Hecho. Responde, y coincide con lo que hay en el proyecto.
Ilustración de la interfaz, con datos de ejemplo.
- Rol
- Diseño y operación
- Ámbito
- Sistema propio en uso diario
- Año
- 2026
Problema
Un chat suelto responde preguntas, pero no arregla nada. Quería saber qué pasa cuando un modelo trabaja de verdad sobre sistemas reales y con consecuencias reales.
Contexto
Es mi propia infraestructura: un servidor, la domótica de casa, el correo y varios dominios. Si un agente se equivoca, me toca arreglarlo a mí, lo que ayuda bastante a tomarse los permisos en serio.
Enfoque
Un orquestador sobre OpenClaw reparte el trabajo entre agentes. Los procedimientos que funcionan se guardan como habilidades reutilizables, la memoria se escribe en ficheros que puedo leer y las tareas recurrentes se programan.
Resultado
Hoy lo uso para diagnosticar, desplegar y mantener sistemas a diario. Esta misma web se reconstruyó y se publicó así.
Lecciones
- Lo difícil no es el modelo: es decidir qué puede tocar.
- Hay que verificar lo que el agente dice que hizo. A veces está convencido y se equivoca.
- Un modelo local sirve para muchas tareas, pero no para todas. Compensa elegir por tarea.
Orquestación.
Un agente principal descompone el encargo y delega el trabajo especializado.
Procedimientos.
Lo aprendido queda escrito como procedimientos reutilizables, no en una conversación perdida.
Permisos.
Cada agente tiene acotado lo que puede tocar, y las acciones delicadas piden confirmación.
Verificación.
Una tarea no acaba cuando el modelo dice que ha acabado, sino cuando se comprueba.
Siguiente caso
Una casa entera fuera de la nube, sin romper nada.