Publicar un chat con IA
Conectá un agente a un Trigger Chat y tenés un asistente web en /c/<token>, sin montar frontend.
Fundamentos de los agentes IA: cerebro, tools, RAG y skills
Un agente de IA no es solo “un chatbot que responde”: es un sistema que razona, decide y actúa. Puede consultar tu documentación, ejecutar acciones reales (crear un pedido, enviar un email, buscar en una base de datos) y encadenar varios pasos hasta resolver lo que le pediste.
En Floogos un agente se construye conectando cuatro piezas alrededor de un orquestador. Entender qué hace cada una es lo que te permite pasar de un chatbot básico a un asistente que de verdad trabaja. Estos son los fundamentos.
1. El cerebro (LLM) — la pieza que razona
Sección titulada «1. El cerebro (LLM) — la pieza que razona»El cerebro es el modelo de lenguaje (LLM) que piensa: interpreta el mensaje del usuario, decide qué hacer y redacta la respuesta. Es el motor de razonamiento del agente.
- Qué elegís acá: el proveedor (OpenAI, Claude, Gemini, Mistral, Groq, un LLM local…) y el modelo concreto.
- Regla clave: un solo cerebro por agente. Es quien “piensa”; el resto de las piezas le dan sentidos y manos.
- Analogía: es el cerebro de una persona. Sin él no hay agente; con él, pero sin las otras piezas, es alguien muy inteligente pero encerrado en una habitación sin información ni herramientas.
2. Las herramientas (tools) — las manos que actúan
Sección titulada «2. Las herramientas (tools) — las manos que actúan»Una herramienta es una capacidad que el agente puede ejecutar cuando lo necesita. El cerebro decide cuándo usarla; Floogos la corre de verdad y le devuelve el resultado.
- Qué podés conectar: cualquiera de los 600+ nodos de Floogos (enviar un email, consultar una API, escribir en una base de datos), un workflow entero, o una tool registrada.
- Podés conectar varias. El agente elige la adecuada según el pedido (esto se llama function calling).
- Analogía: son las manos. Convierten “sé que debería hacer X” en “hago X”. Sin tools, el agente solo puede hablar; con tools, puede operar tus sistemas.
3. El RAG — la memoria de conocimiento
Sección titulada «3. El RAG — la memoria de conocimiento»RAG (Retrieval-Augmented Generation) le da al agente una base de conocimiento propia. En vez de depender solo de lo que el LLM “sabe de fábrica”, el agente recupera los fragmentos más relevantes de tus documentos y responde con ellos.
- Cómo funciona: primero indexás tus documentos (manuales, catálogos, políticas, tickets) y quedan guardados como vectores; al preguntar, el agente recupera los trozos más parecidos a la consulta y los usa como contexto.
- Para qué sirve: responder sobre información tuya, actual y específica — sin inventar y sin reentrenar ningún modelo.
- Analogía: es la biblioteca del agente. Antes de responder, consulta el libro correcto en la página correcta.
Indexar documentos → · Recuperar contexto →
4. Las skills — comportamiento que se activa solo cuando toca
Sección titulada «4. Las skills — comportamiento que se activa solo cuando toca»Una skill es un paquete de instrucciones + herramientas que el agente activa únicamente cuando el pedido es relevante a su descripción. En vez de meter todas las reglas en un único prompt gigante, encapsulás cada especialidad en su skill.
- Cómo funciona: cada skill tiene una descripción (“gestión de devoluciones”, “consultas de facturación”). El agente activa solo las que aplican al mensaje del usuario.
- Para qué sirve: mantener el agente enfocado y barato — no arrastra instrucciones irrelevantes en cada respuesta — y escalar su comportamiento agregando skills, no reescribiendo el prompt.
- Analogía: son las especialidades profesionales. La misma persona “se pone el sombrero” de soporte, de ventas o de facturación según lo que le pidan.
¿Y por dónde empiezo?
Sección titulada «¿Y por dónde empiezo?»Cómo se cablean las piezas
La Visión general muestra los puertos tipados y el contrato de conexión (attach_to + role).
Casos de uso reales