Construir agentes con Claude y LangChain

En 2023 fundé Tilegra: una plataforma de IA conversacional y automatización omnicanal para clientes business. La hipótesis era clara: los agentes ya no eran demos, ya funcionaban en producción si se los armaba bien.

El stack

Después de un año iterando, el corazón de Tilegra es:

• Claude API como modelo principal — el balance entre calidad y latencia que necesitábamos
• RAG con LlamaIndex + pgvector / Supabase para que cada agente tenga el contexto exacto que su cliente le diga
• Tool-use custom para que el agente no solo responda sino que haga cosas: consultar APIs, mandar emails, agendar
• Memoria dinámica por conversación para continuidad real
• Widget embebible + webhooks con backend en TypeScript / Node.js / Fastify

De n8n a LangGraph

El primer prototipo lo armé con n8n. Funcionó para validar la idea pero a escala se quedó corto: difícil de versionar, difícil de testear, observabilidad pobre. Estoy migrando todo a LangGraph con una arquitectura code-first multi-agente y trazabilidad completa en LangSmith.

Un agente sin observabilidad es magia negra. Y la magia no escala.

OlivAI: la otra cara

En paralelo, en Aardvark Partners lidero el desarrollo de OlivAI: un agente de customer service para la suite de Aardvark Labs. Está integrado con la plataforma interna de Check-In, así que cuando un huésped escribe, el agente humano ya tiene todo el contexto a mano — reservas, pagos, comunicación previa.

Lo que aprendí

• Que evaluación es 50% del laburo — un agente sin eval set es una bomba de tiempo
• Que la velocidad de iteración en agentes es el activo competitivo más subestimado de 2026
• Que multi-agent ≠ mejor: a veces un solo agente bien armado le gana a una orquesta mal afinada
• Que ser AI-native de verdad (Claude + Claude Code + Cursor todos los días) cambia cómo decidís la arquitectura