Agentes IA con Flowise y n8n

Al finalizar, podrás montar tu primer chatflow en Flowise conectando Chat Model + Memory + System Prompt en menos de 10 minutos, y decidir con criterio cuándo Flowise basta y cuándo migrar a LangChain code.

Al finalizar, podrás diseñar un system prompt estructurado (rol + contexto + tarea + restricciones + formato + few-shot + razonamiento explícito) que reduce alucinaciones y desviaciones del agente en producción.

Al finalizar, podrás diseñar un pipeline RAG completo (chunk → embed → store → retrieve → generate) decidiendo con criterio el tamaño de chunk, el modelo de embeddings, el vector store y cuándo añadir re-ranking según volumen de documentos y presupuesto.

Al finalizar, podrás diseñar el JSON-schema de una tool (nombre, descripción, parámetros tipados) y conectarla al loop function-calling de OpenAI o tool-use de Anthropic para que el agente la invoque correctamente y maneje su respuesta.

Al finalizar, podrás diseñar e implementar la capa de memoria de un agente conversacional combinando memoria a corto plazo (rolling buffer/window/summary) con memoria a largo plazo (vector store persistente), respetando los límites del context window y las restricciones de privacidad.

Al finalizar, podrás aplicar una matriz de 5 preguntas para decidir entre n8n AI Agent (workflow-first, iPaaS con paso IA) y Flowise (chatbot-first, AI Platform pura) según caso de uso, equipo y mantenimiento esperado, e identificar cuándo combinar ambos.

Al finalizar, podrás descomponer el coste de un agente LLM en sus cuatro componentes (input tokens, output tokens, embeddings, tool calls), comparar pricing publicado de OpenAI, Anthropic y Gemini con los datos correctos a la fecha, elegir entre Haiku, Sonnet y Opus (o GPT-4o-mini, GPT-4o, Gemini Flash, Gemini Pro) aplicando el Cost-Performance trade-off, configurar prompt caching nativo (Anthropic, Gemini) para reducir 50-90% el coste de prompts repetidos, y estimar con una hoja de cálculo defendible el coste mensual de 1 000 conversaciones diarias antes de pasar el agente a producción.

Al finalizar, podrás diseñar un proceso de evaluación reproducible para tu agente — con golden dataset, métricas (accuracy, helpfulness, hallucination rate, latency, coste), y LLM-as-judge calibrado contra revisión humana — para detectar regresiones antes de subir cambios a producción.

Al finalizar, podrás diseñar e implementar tres fallbacks concretos para un agente LLM en producción — low confidence → handoff humano, off-topic → refusal educado, abuso/excepción → ticket con escalación — aplicando el patrón Defense in Depth (NIST AI RMF 1.0, 2023) combinado con Human-in-the-Loop (Russell & Norvig 2020), y justificar por qué la ausencia de estos fallbacks expone al negocio a responsabilidad legal directa (Moffatt v. Air Canada, 2024).

Al finalizar, podrás diagnosticar los cuatro vectores de OWASP LLM Top 10 más críticos en producción (LLM01 prompt injection directa e indirecta, LLM02 insecure output handling, LLM06 sensitive information disclosure, LLM08 excessive agency) y aplicar un plan de defensa en capas con system prompt firme, pre/post-filter, aislamiento por user_id en tools y memoria, y logging sin PII.

Al finalizar, podrás diseñar end-to-end un agente de soporte de primera línea production-grade: arquitectura Russell & Norvig (percepción + estado + acción + aprendizaje) sobre Flowise/n8n, RAG con pgvector indexado sobre tu documentación, tool calls aislados por user_id (search_orders, create_ticket, refund_with_approval), memoria larga con GDPR, fallback humano vía Slack con confidence scoring, eval pipeline con LangSmith, cost monitoring con alertas y rueda de iteración mensual — componiendo TODO lo aprendido en L1-L12 (workflow vs agente, LangChain, Flowise, prompt engineering, RAG, tools, memoria, plataformas, costes, evals, fallbacks, seguridad).