Crea Agentes de IA, Agentes de Voz y Automatizaciones en n8n

Si quieres aprender:

- ¿Qué es ElevenLabs y cómo se compara con otras plataformas de IA de voz?

- ¿Cómo empezar a usar los agentes de voz de ElevenLabs en minutos?

- ¿Cuál es la diferencia entre la Plataforma Creativa y la Plataforma de Agentes en ElevenLabs?

- ¿Cuánto cuesta ElevenLabs y existe una versión gratuita?

- ¿Por qué se considera a ElevenLabs líder del sector en IA de voz con calidad humana?

- ¿Cómo crear tu primer agente de IA conversacional con la plataforma ElevenLabs?

¡Entonces esta clase es para ti!

Esta clase te presenta la plataforma de IA de voz de ElevenLabs, centrándose en la creación de agentes de IA conversacionales con una calidad de voz similar a la humana. Descubrirás por qué ElevenLabs se considera la solución líder de nivel empresarial para agentes de voz con IA, explorando tanto la Plataforma Creativa para la síntesis de voz y la conversión de texto a voz, como la Plataforma de Agentes para implementar agentes conversacionales en voz y chat.

Aprenderás sobre las opciones de precios de ElevenLabs, incluyendo el plan gratuito que te permite comenzar a usar agentes de IA sin costo alguno, y comprenderás las capacidades de voz expresiva y de baja latencia de la plataforma, que se sienten naturales en las conversaciones con los clientes. La presentación te guiará a través de la interfaz de ElevenLabs, mostrándote el creador de flujos de trabajo de la plataforma de agentes, donde configurarás, supervisarás e implementarás agentes de voz con IA.

Al finalizar esta sesión, comprenderás cómo ElevenLabs ofrece tecnología avanzada de voz con IA y una calidad de voz impresionante, admite la integración con herramientas de automatización y proporciona la base para crear potentes agentes de voz conversacionales con IA. Completarás la configuración de tu cuenta, explorarás las funciones clave de la plataforma, incluyendo las secciones de Configuración, Supervisión e Implementación, y te prepararás para crear tu primer agente de voz desde cero utilizando esta solución de IA de voz de vanguardia.

Si quieres aprender:

¿Cómo crear tu primer agente de voz conversacional con IA desde cero, incluso siendo principiante?

¿Cuáles son las instrucciones paso a paso para crear un agente de voz en tiempo real con ElevenLabs y Gemini?

¿Cómo puedes añadir capacidades de IA conversacional para automatizar la atención al cliente y mejorar la interacción con los usuarios?

¿Cuál es la forma más sencilla de integrar bases de conocimiento y personalizar agentes de voz con IA para casos de uso específicos?

¿Cómo logran los agentes de ElevenLabs ofrecer conversaciones fluidas y naturales con baja latencia?

¡Entonces esta clase es para ti!

En este tutorial práctico, crearás tu primer agente de voz con IA utilizando la plataforma de IA conversacional de ElevenLabs y Gemini 2.5 Flash. Comenzarás creando un agente en blanco, configurando el mensaje del sistema y seleccionando una voz para definir la personalidad de tu asistente. Mediante demostraciones paso a paso, probarás conversaciones de voz en tiempo real, ajustarás el tono y el idioma, y ​​experimentarás el rendimiento de baja latencia que hace que estos agentes de voz se sientan receptivos y naturales.

Luego, personalizarás tu agente de IA conversacional para aplicaciones empresariales prácticas creando un asistente de atención al cliente para aerolíneas. Esto implica adaptar el mensaje del sistema al contexto específico, probar diferentes opciones de voz y observar cómo el agente de IA utiliza la información proporcionada para responder preguntas con precisión y ayudar con las necesidades de viaje.

La clase explora funciones avanzadas, como el lienzo de flujo de trabajo para conectar múltiples agentes conversacionales, los flujos de cualificación basados ​​en plantillas que dirigen las conversaciones según la intención del usuario y la funcionalidad de la base de conocimientos. Aprenderás a añadir documentos con información específica del dominio —demostrado mediante un ejemplo con productos Apple—, lo que permitirá a tu agente de voz ofrecer respuestas precisas con conocimiento del tema utilizando los principios RAG (Generación Aumentada por Recuperación).

Al finalizar, comprenderá cómo implementar agentes de voz personalizables de nivel empresarial en cuestión de minutos, integrar API, automatizar flujos de trabajo y crear asistentes con inteligencia artificial para diversos casos de uso, incluidos el servicio al cliente, la telefonía y los escenarios de soporte multilingüe.

Si quieres aprender:

¿Cómo añado herramientas personalizadas a mi agente de voz de ElevenLabs para conectarlo con plataformas externas como n8n?

¿Qué herramientas integradas ofrece ElevenLabs y cómo pueden mejorar mi agente de IA conversacional?

¿Cómo integro un widget de agente de voz de ElevenLabs en mi sitio web mediante HTML y personalizo su apariencia?

¿Qué métodos de autenticación y ajustes de seguridad puedo configurar para mi agente de IA conversacional de ElevenLabs?

¿Cómo configuro las transferencias entre agentes y creo flujos de trabajo multiagente en la plataforma ElevenLabs?

¿Qué ajustes avanzados controlan el comportamiento de mi agente de voz, incluyendo el tiempo de respuesta y las funciones de reconocimiento de voz?

¡Entonces esta clase es para ti!

Esta clase ofrece una guía completa de las funciones esenciales del agente de voz de ElevenLabs, centrándose en las herramientas, la implementación de widgets y la configuración de seguridad. Explorarás la sección de Análisis para revisar el historial de conversaciones y, a continuación, profundizarás en la función de Herramientas, donde aprenderás a equipar tu agente de IA con herramientas personalizadas y del sistema. Descubra herramientas integradas como el control de conversaciones, la detección automática de idioma y la función Transferir a agente para crear flujos de trabajo multiagente. La lección muestra cómo personalizar su widget de IA conversacional, incluyendo la configuración del avatar, la carga de imágenes personalizadas y la generación de códigos de inserción para WordPress o cualquier sitio web basado en HTML. Aprenderá métodos de implementación del lado del cliente y cómo compartir su widget en múltiples plataformas. La sección de Seguridad abarca los métodos de autenticación, los controles de usuario para interacciones de solo texto o voz, la configuración de webhook para el seguimiento de conversaciones y los límites de uso para evitar llamadas excesivas a la API. Finalmente, explore la configuración avanzada, que incluye el modo de agente solo de texto, Scribe para el reconocimiento automático de voz, la optimización de palabras clave personalizadas para nombres de productos y parámetros de comportamiento que controlan el tiempo de respuesta, la sensibilidad a las interrupciones y el manejo del silencio. Esta guía práctica lo prepara para crear, personalizar e implementar agentes de IA conversacional de nivel empresarial con la plataforma ElevenLabs.

Si quieres aprender:

¿Cómo creo mi primer flujo de trabajo de agente de ElevenLabs con capacidades de enrutamiento?

¿Cuáles son los pasos para crear un sistema de IA de voz multiagente para atención al cliente?

¿Cómo configuro subagentes especializados con diferentes bases de conocimiento en ElevenLabs?

¿Cómo configuro las condiciones LLM para enrutar conversaciones entre agentes de voz?

¿Cuál es la diferencia entre usar indicaciones del sistema y anular indicaciones en los flujos de trabajo de los agentes?

¿Cómo implemento un agente de IA conversacional con funcionalidad de transferencia?

¡Entonces esta clase es para ti!

En esta clase práctica, crearás un flujo de trabajo completo de agente de ElevenLabs desde cero usando el editor de flujos de trabajo de agentes. Comenzarás creando bases de conocimiento personalizadas con información de productos y datos de inventario, y luego configurarás un sistema multiagente con tres agentes de IA de voz especializados: un agente de enrutamiento principal, un especialista de soporte de productos y un especialista de inventario. Aprenderás a anular las indicaciones del sistema para lograr un comportamiento preciso del agente, asignar diferentes configuraciones de voz a cada subagente y vincular bases de conocimiento específicas para controlar la información a la que cada agente puede acceder. La lección muestra cómo configurar condiciones LLM en los extremos del flujo de trabajo para habilitar el enrutamiento inteligente basado en la intención del usuario, lo que permite una conversación fluida entre agentes sin que los usuarios tengan que repetir las preguntas. Verás una sesión de implementación y prueba en vivo donde el agente de voz gestiona con éxito consultas sobre productos y disponibilidad de stock, transfiriéndolas automáticamente al agente especialista adecuado. Esta inmersión práctica en los flujos de trabajo de los agentes de ElevenLabs sienta las bases para crear sistemas de IA conversacional con lógica de enrutamiento compleja, preparándote para crear agentes de voz sofisticados para casos de uso reales de atención al cliente.

Si quieres aprender:

¿Cómo integro ElevenLabs con n8n para agentes de voz con IA?

¿Cuáles son los dos patrones de orquestación para conectar los flujos de trabajo de ElevenLabs y n8n?

¿Debería n8n o ElevenLabs encargarse de la orquestación en la automatización de agentes de voz?

¿Cómo reduzco la latencia en las conversaciones con agentes de voz con IA?

¿Cuál es la diferencia entre usar n8n como orquestador y la IA conversacional de ElevenLabs?

¿Cómo funcionan los webhooks y las API en las plataformas de automatización de flujos de trabajo?

¡Entonces esta clase es para ti!

Esta clase explora dos patrones de integración distintos para combinar la IA conversacional de ElevenLabs con la automatización de flujos de trabajo de n8n. Descubrirás el enfoque orquestado por n8n, donde n8n gestiona el flujo de trabajo de extremo a extremo y llama a la API de ElevenLabs para las capacidades de conversión de texto a voz (TTS) y de voz a texto (STT). A continuación, aprenderá el patrón orquestado por ElevenLabs, donde el agente de ElevenLabs dirige la conversación y utiliza herramientas para activar flujos de trabajo de n8n para la lógica de negocio. La clase abarca conceptos clave como la optimización de la latencia en agentes de voz con IA en tiempo real, la configuración de webhooks, las solicitudes HTTP (métodos GET y POST) y los puntos finales de la API. Comprenderá por qué el enfoque ElevenLabs-first ofrece un rendimiento superior para las interacciones de voz a pesar de la complejidad añadida, aprovechando las capacidades de voz de baja latencia de ElevenLabs y funciones avanzadas como la integración telefónica. La sesión incluye explicaciones prácticas sobre cómo los agentes de voz con IA procesan el audio en tiempo real, cómo configurar el agente con la integración LLM y cuándo utilizar cada patrón de orquestación según sus casos de uso. Adquirirá conocimientos prácticos sobre herramientas de automatización de flujos de trabajo, configuración de agentes de IA conversacionales y mejores prácticas para crear asistentes de voz sensibles al contexto y con un comportamiento similar al humano que conectan múltiples aplicaciones y servicios a través de la plataforma de automatización de n8n.

Si quieres aprender:

¿Cómo integro la función de conversión de texto a voz de ElevenLabs con los flujos de trabajo de n8n?

¿Qué son los nodos genéricos en n8n y cuándo debo usarlos?

¿Cómo configuro las credenciales de la API de ElevenLabs para la automatización de voz con IA?

¿Cuál es la diferencia entre los nodos HttpRequest y los nodos Webhook en n8n?

¿Cómo puedo automatizar la generación de voz con IA usando n8n y ElevenLabs?

¿Cómo paso texto dinámico de un agente de IA a ElevenLabs para la síntesis de voz?

¡Entonces esta clase es para ti!

Esta clase cubre los fundamentos de los nodos genéricos en n8n y muestra cómo crear un flujo de trabajo completo de conversión de texto a voz usando ElevenLabs y n8n. Aprenderás la distinción entre nodos específicos de la plataforma y nodos de integración genéricos, incluyendo el nodo HttpRequest para llamadas a la API y el nodo Webhook para eventos entrantes. Este tutorial proporciona instrucciones paso a paso para obtener y configurar su clave API de ElevenLabs con la configuración de credenciales y permisos de seguridad adecuados.

Aprenderá a crear un flujo de trabajo en n8n que conecta la IA de Google Gemini con la síntesis de voz de ElevenLabs, configurando el nodo del agente de IA y enviando resultados dinámicos mediante expresiones. La lección muestra la implementación práctica del nodo de conversión de texto a voz de ElevenLabs, incluyendo la selección de voz, la configuración de parámetros y el uso de expresiones JSON para automatizar la generación de voz. Comprenderá cuándo usar herramientas y cuándo seguir los pasos del flujo de trabajo, cómo gestionar la autenticación de la API y las técnicas de resolución de problemas para probar las conexiones.

Al finalizar, habrá creado un flujo de trabajo totalmente automatizado con IA que convierte texto generado por IA en audio realista usando ElevenLabs, y tendrá los conocimientos necesarios para integrar cualquier API de terceros en n8n mediante nodos genéricos para soluciones de automatización personalizadas.

Si quieres aprender:

- ¿Cómo crear un webhook de voz con n8n y ElevenLabs?

- ¿Cuál es la mejor manera de integrar la conversión de voz a texto y de texto a voz en un flujo de trabajo?

- ¿Cómo crear un agente de voz conversacional con IA sin escribir código?

- ¿Cómo configurar nodos webhook en n8n para gestionar datos de voz?

- ¿Cuáles son los pasos para conectar la API de ElevenLabs con n8n para la automatización de voz?

- ¿Cómo crear flujos de trabajo de voz en tiempo real con IA y webhooks?

¡Entonces esta clase es para ti!

En esta clase práctica, crearás un flujo de trabajo completo de IA con reconocimiento de voz utilizando n8n, ElevenLabs y la tecnología de conversión de voz a texto. Comenzarás configurando la API de texto a voz de ElevenLabs para generar respuestas de audio de los agentes de IA, probando diferentes perfiles de voz para encontrar el tono perfecto para tu asistente de voz. A continuación, configurarás un nodo webhook en n8n para crear un punto final que reciba entrada de audio y lo conectarás al servicio de conversión de voz a texto de ElevenLabs para transcribir mensajes de voz a texto. Aprenderás a enrutar el texto transcrito a través de un agente de IA para obtener respuestas conversacionales y, posteriormente, a convertir esas respuestas de nuevo a voz mediante la API de ElevenLabs. La lección abarca la configuración esencial del webhook, incluyendo el cambio de solicitudes GET a POST, el manejo de archivos de audio binarios y el uso del nodo `respond_to_webhook` para devolver datos de audio al emisor. También trabajarás con una interfaz HTML sencilla que graba la entrada de voz en el navegador y la envía al punto final de automatización de flujos de trabajo de n8n. Al finalizar, comprenderás cómo orquestar flujos de trabajo de voz asíncronos, solucionar problemas comunes de integración y crear agentes de IA conversacionales escalables utilizando herramientas de automatización de flujos de trabajo de código abierto, todo ello sin escribir una sola línea de código.

Si quieres aprender:

- ¿Cómo crear un agente de voz con la automatización de flujos de trabajo de n8n?

- ¿Cómo integrar la IA de voz de ElevenLabs con webhooks para conversaciones en tiempo real?

- ¿Cómo conectar la transcripción de voz a texto con un agente de IA en n8n?

- ¿Cómo solucionar y corregir errores comunes al crear agentes de voz con IA?

- ¿Cómo crear una recepcionista con IA conversacional que responda con voz natural?

- ¿Cómo usar llamadas a la API para transformar audio en texto y viceversa en un flujo de trabajo?

¡Entonces esta clase es para ti!

Este tutorial práctico muestra cómo crear un agente de voz con IA funcional utilizando la automatización de flujos de trabajo de n8n, webhooks y la API de ElevenLabs. Seguirás un proceso paso a paso donde el audio se captura desde una página web, se envía a un webhook de n8n, se transcribe a texto usando la IA conversacional de ElevenLabs, se procesa mediante un agente de IA con tecnología Gemini y se convierte de nuevo a voz para respuestas de voz en tiempo real. La lección cubre la resolución práctica de problemas comunes de integración, incluyendo la corrección de propiedades no definidas y la configuración correcta de las conexiones de nodos. Aprenderás a configurar el flujo de trabajo completo, desde la configuración del webhook hasta el manejo de la respuesta de audio, comprenderás cómo usar la evaluación de expresiones para la transformación de datos y verás todo el proceso del agente de IA de voz en acción. El tutorial también explora cómo esta plantilla de flujo de trabajo de n8n se puede ampliar con memoria, herramientas e integrar en aplicaciones como sitios de WordPress, proporcionando una base para construir sistemas de IA conversacional más complejos con interacciones de voz de baja latencia.

Si quieres aprender:

¿Cómo conecto los agentes de voz de ElevenLabs a los flujos de trabajo de n8n mediante webhooks?

¿Cuáles son los pasos para crear un agente de voz con IA que pueda consultar datos de fuentes externas?

¿Cómo integro la IA conversacional de ElevenLabs con herramientas de automatización como n8n?

¿Cuál es el proceso para crear herramientas personalizadas en ElevenLabs que activen los flujos de trabajo de n8n?

¿Cómo configuro la comunicación mediante webhooks entre los agentes de voz con IA y las plataformas de automatización de flujos de trabajo?

¿Cuáles son las mejores prácticas para crear automatización por voz con ElevenLabs y n8n?

¡Entonces esta clase es para ti!

En esta clase práctica, aprenderás a crear una integración completa entre los agentes de voz de ElevenLabs y la automatización de flujos de trabajo de n8n mediante webhooks y herramientas personalizadas. Comenzarás creando un flujo de trabajo de n8n con un activador de webhook y configurando un agente de IA con tecnología Gemini para interactuar con datos de Google Sheets. Esta lección te guiará en la configuración del nodo webhook, la implementación del agente de IA con las herramientas adecuadas y las pruebas del flujo de trabajo para asegurar la correcta recuperación de la información.

A continuación, configurarás una herramienta personalizada en ElevenLabs que permitirá a tu agente de voz comunicarse con n8n mediante solicitudes HTTP POST. Aprenderás a definir descripciones de herramientas, configurar URL de webhook, configurar cuerpos de solicitud con los parámetros adecuados y establecer la conexión entre ambas plataformas. La lección muestra casos de uso prácticos, como la creación de un asistente de voz con IA capaz de responder preguntas sobre carteras de acciones consultando datos mediante flujos de trabajo automatizados.

Al finalizar esta sesión, comprenderás el proceso completo de orquestación del flujo de trabajo, desde la configuración del webhook y la configuración del agente de IA hasta la creación de herramientas y la automatización en tiempo real mediante voz. Esta integración te permite crear soluciones de IA de voz escalables que pueden interactuar con fuentes de datos externas y automatizar tareas complejas sin necesidad de código.

Si quieres aprender:

¿Cómo conecto los agentes de voz de ElevenLabs con los flujos de trabajo de n8n mediante webhooks?

¿Cuál es la mejor manera de crear un agente de voz con IA listo para producción utilizando herramientas personalizadas?

¿Cómo puedo integrar la IA conversacional con flujos de trabajo automatizados para obtener respuestas en tiempo real?

¿Cuáles son los pasos para configurar las herramientas de webhook en ElevenLabs para llamar a API externas?

¿Cómo implemento en producción un agente de voz capaz de gestionar múltiples preguntas?

¿Cuál es la diferencia entre usar activadores de chat y nodos de webhook en n8n para agentes de voz?

¡Entonces esta lección es para ti!

Este tutorial práctico te muestra cómo crear un agente de voz para producción integrando la IA conversacional de ElevenLabs con la automatización de flujos de trabajo de n8n mediante webhooks. Aprenderás el proceso paso a paso para configurar una herramienta de webhook personalizada en ElevenLabs que llama a un flujo de trabajo de n8n para obtener datos en tiempo real de Google Sheets. La clase abarca la resolución de problemas comunes de integración, la configuración adecuada de nodos webhook para capturar parámetros JSON y la configuración del nodo del agente de IA para procesar consultas de voz. Descubrirá cómo estructurar solicitudes POST con campos personalizados, conectar agentes de voz de ElevenLabs a lógica empresarial externa e implementar ambas plataformas en producción para conversaciones fluidas de varias rondas. El tutorial recorre el flujo completo, desde la entrada de voz, pasando por los activadores webhook, hasta el procesamiento de IA y de vuelta a la salida de voz, demostrando cómo lograr respuestas con menor latencia en comparación con los enfoques tradicionales basados ​​en chat. Al finalizar, tendrá un asistente de voz completamente funcional que puede interactuar con sus fuentes de datos y gestionar preguntas de seguimiento en tiempo real mediante herramientas de automatización sin código.

Si quieres aprender:

- ¿Qué es RAG (Generación Aumentada por Recuperación) y cómo funciona en los sistemas de IA?

- ¿Cuál es la diferencia entre RAG y RAG con Agente, y cuándo usar cada enfoque?

- ¿Cómo mejorar el conocimiento de los agentes de IA y los modelos de lenguaje (LLM) sin un entrenamiento costoso?

- ¿Cuáles son los casos de uso prácticos para construir sistemas RAG en soluciones de IA empresariales?

- ¿Cómo funciona la recuperación para aumentar el conocimiento de los grandes modelos de lenguaje con información externa?

- ¿Cuáles son los beneficios de RAG para las aplicaciones de IA y los modelos de IA generativa?

¡Entonces esta clase es para ti!

Esta clase desmitifica la Generación Aumentada por Recuperación (RAG) y la RAG con Agente, dos enfoques transformadores en el desarrollo de la IA moderna. Descubrirás cómo funciona RAG recuperando dinámicamente información relevante de bases de conocimiento y fuentes de datos para mejorar las respuestas de los LLM, logrando que los agentes de IA sean más inteligentes sin un entrenamiento costoso. Esta sesión explica la diferencia fundamental entre los sistemas RAG tradicionales y Agentic RAG, mostrando cómo RAG se centra en la recuperación y la inyección de contexto, mientras que Agentic AI lleva la toma de decisiones autónoma un paso más allá. Aprenderá la arquitectura fundamental de RAG: cómo las consultas activan la recuperación de bases de datos y bases de datos vectoriales, cómo se inyectan los datos recuperados en las indicaciones y cómo esto permite a los sistemas de IA proporcionar respuestas precisas en tiempo real basadas en conocimiento externo, en lugar de depender únicamente de datos de entrenamiento estáticos. La conferencia abarca casos de uso prácticos para la IA empresarial, desde la creación de chatbots con tecnología RAG hasta aplicaciones de asistentes de IA, y explica cómo RAG ayuda a prevenir alucinaciones en los modelos de IA generativa. Comprenderá el flujo de trabajo de la canalización RAG, incluyendo cómo los LLM utilizan API y herramientas para obtener información relevante de múltiples fuentes de datos, y cómo Agentic RAG combina la recuperación dinámica de datos de RAG con la autonomía de los sistemas agentivos para el desarrollo avanzado de agentes de IA. Ideal para quienes desarrollan soluciones de IA con LangChain o marcos de trabajo similares, esta sesión proporciona la intuición necesaria para implementar sistemas RAG y crear aplicaciones de IA más capaces y enriquecidas con conocimiento.

Si quieres aprender:

¿Cómo utilizan los sistemas RAG los modelos de incrustación para facilitar una recuperación de conocimiento más inteligente mediante IA?

¿Qué son los modelos de incrustación y cómo convierten el texto en vectores significativos?

¿En qué se diferencia la búsqueda semántica de la búsqueda tradicional por palabras clave en aplicaciones de IA?

¿Qué hace que las incrustaciones capturen mejor el significado semántico que la simple coincidencia de texto?

¿Cómo puedes implementar la búsqueda vectorial para encontrar información relevante en tu base de conocimiento?

¿Por qué son esenciales los modelos de incrustación para la creación de sistemas de agentes de IA comerciales?

¡Entonces esta clase es para ti!

Esta clase explora cómo los modelos de incrustación potencian la búsqueda semántica en sistemas de generación aumentada por recuperación (RAG). Descubrirás cómo los modelos de incrustación —un tipo especializado de LLM, también llamados codificadores o modelos de incrustación vectorial— transforman el texto en representaciones numéricas que capturan el significado semántico en lugar de simplemente hacer coincidir palabras clave. La conferencia demuestra por qué la búsqueda tradicional por palabras clave falla cuando los usuarios formulan preguntas con terminología diferente (como "Aeropuerto de Heathrow" en lugar de "Londres") y cómo las incrustaciones resuelven esta limitación mediante la búsqueda semántica difusa.

Aprenderá el concepto fundamental de cómo los modelos de incrustaciones generan vectores: listas de números que representan el significado del texto en un espacio multidimensional, donde el contenido semánticamente similar produce vectores muy próximos entre sí. La conferencia explica cómo esta proximidad en el espacio vectorial permite recuperar información relevante de la base de conocimiento incluso cuando las palabras de la consulta no coinciden exactamente con los datos almacenados. Comprenderá cómo estos vectores de incrustaciones funcionan con bases de datos vectoriales para realizar búsquedas vectoriales, lo que permite a los modelos de lenguaje natural acceder a información contextualmente relevante antes de generar respuestas.

La conferencia abarca aplicaciones prácticas para la creación de agentes de IA comerciales y soluciones de IA generativa, explicando cómo los modelos de incrustaciones permiten implementaciones RAG avanzadas que van más allá de la simple coincidencia de texto. Verá cómo las incrustaciones capturan relaciones semánticas entre diferentes frases con significados similares, lo que hace que sus aplicaciones de IA sean más robustas e inteligentes. Esta guía exhaustiva proporciona la base para implementar sistemas de búsqueda semántica que impulsan las aplicaciones de IA modernas, desde chatbots hasta sistemas de recuperación de información, utilizando modelos de incrustación para salvar la brecha entre las consultas de los usuarios y su base de conocimientos interna.

Si quieres aprender:

¿Cómo funciona realmente la generación aumentada de recuperación (RAG) entre bastidores? ¿Qué son las bases de datos vectoriales y por qué son esenciales para los sistemas RAG? ¿Cómo permiten las incrustaciones y la búsqueda semántica a los LLM acceder a información en tiempo real? ¿Cuál es la diferencia entre la arquitectura RAG tradicional y la RAG con agentes? ¿Cómo puedes implementar RAG para que tus aplicaciones de IA accedan a las bases de conocimiento de la empresa?

¡Entonces esta clase es para ti!

Esta clase desmitifica el funcionamiento de RAG guiándote paso a paso por todo el proceso. Descubrirás cómo la generación aumentada de recuperación transforma las consultas de los usuarios en incrustaciones vectoriales mediante un modelo de incrustación, y luego realiza una búsqueda semántica en una base de datos vectorial para recuperar información relevante. La clase explica la arquitectura RAG en detalle: cómo se vectorizan las preguntas, cómo las bases de datos vectoriales almacenan y consultan datos basándose en la similitud vectorial, y cómo se inserta el contexto recuperado en la solicitud del LLM para generar respuestas precisas. Aprenderás por qué las bases de datos modernas como PostgreSQL y MongoDB ahora admiten la búsqueda vectorial, comprenderás que el modelo de incrustación opera independientemente del modelo de lenguaje y verás cómo RAG proporciona acceso en tiempo real al conocimiento externo sin necesidad de reentrenamiento. La clase abarca casos de uso prácticos de RAG, incluidos sistemas de recursos humanos, atención al cliente y aplicaciones de recuperación de conocimiento donde los expertos en derecho necesitan conocimientos especializados sobre los productos, las políticas y los datos de la empresa. También te familiarizarás con técnicas avanzadas de RAG como graphRAG, RAG jerárquico y reclasificación, y aprenderás por qué la evaluación y la medición de RAG son fundamentales para optimizar los sistemas RAG. Finalmente, descubrirás qué diferencia a RAG con agentes de los enfoques tradicionales de RAG y cómo esta tecnología RAG está transformando las aplicaciones de IA generativa.

Si quieres aprender:

- ¿Cuál es la diferencia entre RAG tradicional y RAG con agentes en sistemas de IA?

- ¿Cómo toman decisiones más inteligentes los agentes de IA en flujos de trabajo de generación aumentada con recuperación?

- ¿Cómo se pueden integrar bases de datos vectoriales con n8n para la recuperación avanzada con IA?

- ¿Qué hace que RAG con agentes sea más adaptable que las canalizaciones RAG simples?

- ¿Cómo se utiliza Supabase con n8n para construir flujos de trabajo de IA sofisticados?

- ¿Por qué los agentes de IA deberían controlar el proceso de recuperación en lugar de seguir flujos de trabajo lineales?

¡Entonces esta clase es para ti!

Esta clase explora las diferencias fundamentales entre los sistemas RAG tradicionales y RAG con agentes, demostrando cómo la IA con agentes transforma los flujos de trabajo de recuperación estáticos en procesos adaptativos de múltiples pasos. Descubrirás cómo la generación aumentada de recuperación (RAG) tradicional sigue un flujo de trabajo lineal: desde la consulta del usuario hasta la recuperación basada en vectores y la respuesta del modelo de lenguaje (LLM). En cambio, la RAG basada en agentes permite que estos tomen decisiones inteligentes sobre las estrategias de recuperación, eligiendo entre la búsqueda vectorial, las consultas SQL y otras herramientas para encontrar el contexto óptimo para responder a las preguntas.

La clase aborda el enfoque basado en agentes para la generación aumentada de recuperación, donde los grandes modelos de lenguaje controlan el flujo de trabajo en lugar de simplemente generar respuestas. Aprenderás cómo los agentes de IA pueden acceder a bases de datos vectoriales, realizar búsquedas semánticas mediante la similitud vectorial e incluso llevar a cabo consultas tradicionales a bases de datos cuando sea apropiado, lo que hace que el proceso de recuperación sea más inteligente y eficiente para tareas complejas.

Además, esta sesión presenta la integración de Supabase con los flujos de trabajo de n8n, explicando cómo esta plataforma de base de datos basada en PostgreSQL almacena incrustaciones vectoriales y admite sistemas de recuperación de IA. Comprenderás por qué Supabase es popular para la creación de flujos de trabajo RAG, su generoso plan gratuito para proyectos de IA y cómo configurar tu cuenta para almacenar y consultar datos vectoriales. Esta conferencia te prepara para crear un agente de voz experto con acceso completo a la base de conocimientos, combinando RAG con agentes y canalizaciones de datos automatizadas para crear sistemas de IA sofisticados que puedan gestionar casos de uso de IA empresarial y aplicaciones de IA conversacional.

Si quieres aprender:

- ¿Cómo funciona la Generación Aumentada por Recuperación (RAG) con bases de datos vectoriales?

- ¿Cuál es la diferencia entre los sistemas RAG tradicionales y los sistemas RAG basados ​​en agentes?

- ¿Cómo se construye un flujo de trabajo completo de ingesta de datos para aplicaciones de IA?

- ¿Qué son las incrustaciones vectoriales y cómo permiten la búsqueda semántica?

- ¿Cómo se dividen los documentos de forma eficaz para el almacenamiento vectorial?

- ¿Cuáles son las dos fases principales para construir sistemas RAG listos para producción?

¡Entonces esta clase es para ti!

Esta clase ofrece un análisis exhaustivo de la construcción de sistemas RAG utilizando la base de datos vectorial Supabase y pgvector. Dominarás los fundamentos de la Generación Aumentada por Recuperación, comprendiendo cómo las incrustaciones vectoriales transforman el texto en representaciones numéricas que permiten realizar búsquedas semánticas y de similitud.

La clase abarca la arquitectura completa de RAG, desglosando las dos fases críticas: los flujos de trabajo de ingesta de datos y los flujos de trabajo de recuperación de consultas. Aprenderás el proceso de extracción, transformación y carga (ETL) específicamente adaptado para almacenes vectoriales, incluyendo estrategias de segmentación de documentos, generación de incrustaciones mediante modelos de OpenAI y técnicas de vectorización que permiten una búsqueda vectorial eficiente en grandes conjuntos de datos.

Explorarás la evolución de RAG tradicional a RAG con agentes, donde los agentes de IA gestionan de forma autónoma los flujos de trabajo de recuperación mediante múltiples herramientas y enfoques iterativos. La clase demuestra cómo Supabase, una base de datos PostgreSQL de código abierto basada en pgvector, proporciona almacenamiento vectorial escalable capaz de gestionar millones de incrustaciones con un rendimiento de consulta de milisegundos.

Los conceptos técnicos clave incluyen la búsqueda de similitud vectorial, la integración de metadatos, el diseño de esquemas para tablas de documentos y la implementación práctica de pipelines RAG utilizando n8n para la automatización de flujos de trabajo. Comprenderás cómo los modelos de incrustación (codificadores) convierten las consultas de los usuarios en vectores, cómo los índices HNSW optimizan la velocidad de recuperación y por qué las estrategias de segmentación deben probarse con tu conjunto de datos y casos de uso específicos.

La conferencia también aborda las ideas erróneas comunes sobre la supuesta obsolescencia de RAG debido a las ventanas de contexto más amplias, explicando por qué la recuperación basada en vectores sigue siendo esencial para las aplicaciones de IA escalables y la utilización eficiente de los recursos en entornos de producción.

Si quieres aprender:

¿Cómo crear un pipeline RAG con n8n y Supabase?

¿Cuál es la mejor manera de automatizar la ingesta de datos desde Google Sheets a una base de datos vectorial?

¿Cómo crear un sistema experto con IA para tu negocio mediante la automatización de flujos de trabajo?

¿Cuáles son los pasos para configurar Supabase Vector Store con n8n para la generación aumentada de recuperación (RAG)?

¿Cómo transformar y cargar datos en una base de datos vectorial para aplicaciones de chatbot con IA?

¿Cuál es la diferencia entre los chatbots básicos y los sistemas RAG para la automatización empresarial?

¡Entonces esta clase es para ti!

En esta clase práctica, crearás el pipeline de ingesta de datos para un sistema RAG completo utilizando la automatización de flujos de trabajo de n8n y Supabase Vector Store. Aprenderás a extraer datos de productos de Google Sheets, transformarlos con el nodo Editar campos de n8n y cargarlos en una base de datos vectorial PostgreSQL de Supabase para la respuesta a preguntas con IA. Esta lección cubre el proceso ETL esencial para aplicaciones RAG, mostrándote cómo integrar n8n con Supabase usando las credenciales de API y la autenticación adecuadas. Descubrirás por qué Supabase es una solución escalable de nivel empresarial para el almacenamiento de vectores y cómo trabajar con incrustaciones vectoriales para la generación aumentada de recuperación. El flujo de trabajo que crearás gestionará 60 registros de productos, pero está diseñado para escalar a miles de entradas, lo que lo hace perfecto para aplicaciones comerciales reales. También aprenderás las mejores prácticas para la transformación de datos, comprenderás la arquitectura de los sistemas RAG con agentes y prepararás tu infraestructura para agregar funcionalidad de chat con IA. Este tutorial práctico se centra en la creación de flujos de trabajo de automatización listos para producción que se pueden implementar de inmediato para los clientes, con explicaciones claras de la configuración de cada nodo y la configuración de integración en la interfaz de n8n.

Si quieres aprender:

¿Cómo se mapean datos de un formato a otro usando el nodo Editar campos de n8n?

¿Cuál es la mejor manera de estructurar el contenido para incrustaciones vectoriales en un sistema RAG?

¿Cómo se configura un proyecto de Supabase para crear chatbots con IA?

¿Cuáles son los pasos esenciales para preparar datos para flujos de trabajo de generación aumentada por recuperación?

¿Cómo se pueden transformar datos de productos en contenido listo para LLM usando la automatización de flujos de trabajo de n8n?

¡Entonces esta clase es para ti!

En este tutorial práctico, dominarás el mapeo de datos con el nodo Editar campos de n8n y configurarás tu primer proyecto de Supabase para crear un sistema RAG. Aprenderás a transformar datos de productos sin procesar en contenido estructurado optimizado para incrustaciones vectoriales y generación aumentada por recuperación. La clase le guiará a través de técnicas de mapeo manual, mostrándole cómo crear campos de contenido que combinen nombres de productos, categorías, SKU, precios y descripciones en texto listo para LLM. Descubrirá cómo usar expresiones como $JSON para extraer datos dinámicamente y estructurarlos para agentes de IA y chatbots. El tutorial le guiará a través de la creación de una cuenta de Supabase, la configuración de una organización y el lanzamiento de su primer proyecto de base de datos con soporte para pgvector. Aprenderá las mejores prácticas para el etiquetado de metadatos, incluyendo cómo agregar campos de categoría para filtrar los resultados de búsqueda. Al final, comprenderá cómo construir flujos de datos que preparen la información para almacenes vectoriales, ejecutar pasos de automatización de flujos de trabajo en n8n y configurar Supabase como su backend de base de datos vectorial. Esta sesión práctica cubre patrones esenciales de plantillas de flujo de trabajo de n8n, la configuración de la base de datos con PostgreSQL y la arquitectura fundamental necesaria para construir sistemas RAG con agentes y bases de conocimiento con capacidad de búsqueda.

Si quieres aprender:

¿Cómo configuro las tablas de la base de datos Supabase para la integración con n8n RAG?

¿Cuál es el esquema de base de datos correcto para almacenar incrustaciones vectoriales en Supabase?

¿Cómo configuro las extensiones de PostgreSQL para el almacenamiento de vectores en Supabase?

¿Qué son las dimensiones de incrustación y por qué son importantes para los sistemas RAG?

¿Cómo creo funciones SQL personalizadas para las operaciones de almacenamiento de vectores de n8n?

¿Cuál es la forma correcta de estructurar una tabla de base de conocimiento para la generación aumentada de recuperación?

¡Entonces esta clase es para ti!

En esta clase práctica, aprenderás a configurar Supabase como almacenamiento de vectores para tu flujo de trabajo n8n RAG. Comenzarás navegando por el panel de control de Supabase y comprendiendo la estructura del proyecto. La clase te guiará en la habilitación de la extensión de vectores en tu base de datos PostgreSQL, esencial para almacenar incrustaciones y realizar operaciones de búsqueda de vectores.

Ejecutarás código SQL personalizado para crear una tabla `knowledge_base` con el esquema adecuado que espera n8n, incluyendo campos para `id`, `content`, `metadatos` y vectores de incrustación. La lección explica cómo configurar la función `match_documents`, fundamental para que n8n recupere el contexto relevante de tu base de datos vectorial durante el proceso RAG.

Un aspecto clave es comprender las dimensiones de incrustación y por qué deben coincidir con el modelo de incrustación elegido. Aprenderás por qué el modelo Embedding Small de OpenAI utiliza 1536 dimensiones y cómo configurar tu base de datos Supabase en consecuencia. La lección también cubre opciones de incrustación alternativas, como Gemini y modelos de código abierto.

Al finalizar, tendrás una base de datos vectorial Supabase completamente configurada, lista para almacenar documentos de Google Drive y dar soporte a las operaciones de recuperación de tu agente de IA. Verificarás la creación exitosa de la tabla a través de la interfaz de Supabase y te prepararás para el siguiente paso: conectar n8n para poblar tu base de conocimiento con la ingesta automatizada de archivos desde Google Drive.

Si quieres aprender:

¿Cómo conectar n8n con el almacén de vectores Supabase para flujos de trabajo con IA?

¿Cuáles son los pasos para configurar las incrustaciones de OpenAI con Supabase en n8n?

¿Cómo configurar las credenciales de la API y la autenticación entre n8n y Supabase?

¿Cuál es la forma correcta de cargar y segmentar datos en una base de datos vectorial con n8n?

¿Cómo añadir metadatos al almacén de vectores para obtener mejores resultados de búsqueda semántica?

¡Entonces esta lección es para ti!

Este tutorial paso a paso te guiará a través de la integración completa de n8n con el almacén de vectores Supabase mediante incrustaciones de OpenAI. Aprenderás a navegar por la configuración del proyecto de Supabase para encontrar la URL de tu base de datos y las claves de la API, incluida la clave del rol de servicio heredado necesaria para la autenticación de n8n. La lección muestra cómo agregar y configurar el nodo de almacenamiento vectorial Supabase en su flujo de trabajo n8n, conectarlo con las credenciales adecuadas y configurar el nodo OpenAI de incrustaciones utilizando el modelo text-embedding-3-small con 1536 dimensiones. Descubrirá cómo implementar el cargador de documentos predeterminado para dividir e ingerir correctamente los datos de texto en su base de datos vectorial, configurar el proceso de carga de datos para dirigirse a campos de contenido específicos y agregar propiedades de metadatos personalizadas, como categorías, para mejorar sus capacidades de búsqueda semántica. Este tutorial proporciona orientación práctica para construir su propio sistema RAG (generación aumentada por recuperación) impulsado por IA, conectando estas herramientas esenciales de IA, asegurándose de que su configuración de pgvector de PostgreSQL coincida con sus dimensiones de incrustación y estableciendo una base sólida para la automatización del flujo de trabajo con la funcionalidad de búsqueda vectorial.

Si quieres aprender:

- ¿Cómo ejecuto un pipeline completo de ingesta de datos con n8n y Supabase?

- ¿Cuáles son los pasos para cargar y vectorizar datos en una base de datos vectorial de Supabase?

- ¿Cómo puedo crear un pipeline de sistema RAG que procese y almacene incrustaciones automáticamente?

- ¿Cómo configuro el nodo de almacenamiento vectorial de Supabase en los flujos de trabajo de n8n?

- ¿Cuál es la forma más sencilla de transformar datos y crear una base de conocimiento para la generación aumentada de recuperación?

- ¿Cómo soluciono problemas y vuelvo a ejecutar mi flujo de trabajo de n8n al corregir errores de datos?

¡Entonces esta clase es para ti!

En esta sesión práctica, ejecutarás un pipeline completo de ingesta de datos con n8n y Supabase para crear un sistema RAG funcional. Configurarás el nodo de almacenamiento vectorial de Supabase conectándolo a tu tabla knowledge_base y luego ejecutarás el flujo de trabajo para procesar 60 elementos a través de las etapas de extracción, transformación, segmentación y vectorización. Observa cómo tu flujo de trabajo n8n genera automáticamente incrustaciones usando OpenAI y las almacena en tu base de datos vectorial Supabase con la configuración de metadatos adecuada. Aprende a verificar tus datos en el editor SQL de Supabase, a solucionar problemas comunes como parámetros de tabla faltantes y a volver a ejecutar rápidamente tu canalización para corregir errores de datos. Esta guía práctica para crear una canalización RAG demuestra el flujo completo desde una base de datos vacía hasta un almacén vectorial poblado, mostrándote cómo transformar datos de hojas de cálculo en incrustaciones listas para IA. Al final, tendrás un flujo de trabajo de ingesta de datos funcional que carga contenido vectorizado en PostgreSQL, sentando las bases para tu sistema de generación aumentada por recuperación. Perfecto para cualquiera que cree agentes de IA, chatbots o sistemas RAG con agentes y que desee instrucciones paso a paso sobre la integración de n8n y Supabase.

Si quieres aprender:

¿Cómo crear un agente de atención al cliente por voz con IA basado en RAG que pueda responder preguntas sobre tu negocio o productos?

¿Cuáles son los pasos clave para integrar los agentes de voz de ElevenLabs con la base de datos Supabase y la automatización del flujo de trabajo de n8n?

¿Cómo funciona la generación aumentada por recuperación (RAG) para que los agentes de IA accedan a tu base de conocimientos y proporcionen respuestas precisas?

¿Cómo crear un asistente de voz con IA que pueda gestionar consultas conversacionales en tiempo real mediante incrustaciones vectoriales e integración de bases de datos?

¿Qué herramientas y configuraciones de flujo de trabajo se necesitan para crear agentes de voz con IA con capacidad de recuperación de documentos?

¡Entonces esta clase es para ti!

Esta clase completa el proyecto del agente de voz con IA basado en RAG, creando el componente de respuesta a preguntas e integrando las capacidades de voz de ElevenLabs. Aprenderás a crear un flujo de trabajo de n8n que utiliza un agente de IA para gestionar consultas conversacionales recuperando información relevante de tu base de datos vectorial Supabase. La clase abarca la arquitectura completa del sistema RAG, incluyendo cómo funcionan las incrustaciones vectoriales con el modelo OpenAI Embedding Small para transformar las consultas en vectores de 1536 dimensiones para la búsqueda en la base de datos. Configurarás el agente de IA con un activador de chat, integrarás un modelo de chat Gemini (o tu LLM preferido), implementarás memoria para un flujo de conversación natural y añadirás herramientas RAG que permiten al agente buscar en tu base de conocimientos. La sesión demuestra cómo conectar todos los componentes —el asistente de IA conversacional, la base de datos vectorial con tus documentos indexados y la interfaz de voz a través de ElevenLabs— para crear una solución de atención al cliente por voz con IA lista para producción. Comprenderás ambas fases de la implementación de RAG: el proceso de ingesta de datos (extracción, transformación, segmentación y vectorización de documentos) y el sistema de respuesta a consultas en tiempo real que proporciona respuestas precisas y contextualizadas a las preguntas del usuario.

Si quieres aprender:

¿Cómo se crea un flujo de trabajo RAG con agentes en n8n que pueda gestionar miles de documentos?

¿Cuál es la diferencia entre un sistema RAG simple y un agente de IA RAG con agentes?

¿Cómo se conecta el almacén de vectores Supabase a n8n para la recuperación inteligente de datos?

¿Por qué se necesitan incrustaciones al consultar una base de datos vectorial en un sistema RAG?

¿Cómo se puede crear un agente de IA RAG listo para producción que escale de 60 a 600 000 productos?

¡Entonces esta clase es para ti!

En esta clase práctica, crearás un flujo de trabajo RAG con agentes completo en n8n utilizando el almacén de vectores Supabase. Aprenderás a configurar el almacén de vectores Supabase como una herramienta para tu agente de IA, a configurar la operación "Recuperar documentos como herramienta para el agente de IA" y a escribir descripciones de herramientas efectivas que guíen el comportamiento de tu agente. La clase demuestra cómo seleccionar la tabla de base de conocimiento adecuada, configurar los límites de resultados e integrar las incrustaciones de OpenAI (text-embedding-3-small) para vectorizar las consultas de los usuarios para la búsqueda semántica. Descubrirá por qué los modelos de incrustación son esenciales incluso después de que sus datos ya estén vectorizados, ya que cada pregunta del usuario debe convertirse en vectores para la coincidencia de similitud. Mediante una demostración en vivo, verá cómo el sistema RAG recupera información relevante del producto, con el agente de IA organizando y presentando de forma inteligente los resultados con precios y descripciones. Este flujo de trabajo en n8n muestra el verdadero poder de la generación aumentada por recuperación: la capacidad de escalar desde docenas hasta cientos de miles de documentos sin degradación del rendimiento. Al final, comprenderá cómo el creador de flujos de trabajo visuales de n8n hace que la creación de flujos de trabajo RAG con agentes listos para producción sea extraordinariamente sencilla, sentando las bases para la creación de sistemas de automatización con IA más avanzados.

Si quieres aprender:

¿Cómo integro el agente de IA de voz de ElevenLabs con n8n mediante webhooks?

¿Cuál es la diferencia entre los patrones de integración activados por n8n y los activados por ElevenLabs?

¿Cómo configuro un nodo webhook en n8n para recibir solicitudes POST de ElevenLabs?

¿Cuál es la mejor manera de conectar la IA conversacional de ElevenLabs con la automatización de flujos de trabajo de n8n?

¿Cómo configuro un agente de voz de IA para que llame a flujos de trabajo externos como herramientas?

¿Qué son los métodos HTTP como GET y POST, y por qué son importantes para la integración de webhooks?

¡Entonces esta lección es para ti!

Esta lección muestra cómo configurar la integración del agente de IA de voz de ElevenLabs con n8n mediante una arquitectura basada en webhooks. Aprenderás el patrón de integración superior donde ElevenLabs actúa como agente principal y trata tu flujo de trabajo de n8n como una herramienta personalizada, lo que permite interacciones de voz con menor latencia en comparación con los enfoques activados por n8n.

El tutorial cubre la configuración esencial de webhooks en n8n, incluyendo la configuración de un nodo webhook para recibir solicitudes POST, la configuración del endpoint para aceptar datos JSON con un campo de pregunta en el cuerpo y la implementación de un nodo de respuesta a webhook para devolver los resultados procesados. Comprenderás la terminología clave de la API, incluyendo endpoints, métodos HTTP (GET vs. POST) y cómo funcionan los webhooks como API inversas que activan la automatización del flujo de trabajo.

Paso a paso, configurarás el flujo de trabajo de AgenticRAG para conectar el activador del webhook con un nodo de agente de IA, modificarás la configuración de entrada del chat para aceptar datos de webhook usando expresiones como `$json.body.question` y prepararás la integración para la configuración del agente de voz de ElevenLabs. Este enfoque permite a ElevenLabs gestionar la conversión de voz a texto y de texto a voz al tiempo que ejecuta la lógica de negocio de n8n, creando un agente de IA de voz eficiente con funcionalidades de herramientas personalizadas.

Si quieres aprender:

¿Cómo crear un agente de voz con IA usando la IA conversacional de ElevenLabs sin necesidad de programar?

¿Cómo conectar ElevenLabs y n8n para crear un asistente de ventas automatizado?

¿Cómo integrar herramientas de webhook con tu agente de voz con IA para búsquedas de productos en tiempo real?

¿Cómo configurar un agente de IA conversacional con indicaciones personalizadas del sistema y automatización de flujos de trabajo?

¿Cómo implementar y probar un agente de voz con IA que pueda gestionar las consultas de los clientes sin problemas?

¡Entonces esta clase es para ti!

En este tutorial práctico, crearás un agente de voz con IA completamente funcional para una tienda de comercio electrónico de electrónica usando la IA conversacional de ElevenLabs y la automatización de flujos de trabajo de n8n. Crearás un agente "Experto en Ventas de Comercio Electrónico de Electrónica" desde cero, comenzando con la configuración de una indicación personalizada del sistema que define el propósito y el comportamiento de tu agente de IA. La clase le guiará en la selección y personalización de la configuración de voz, y luego le mostrará cómo integrar una herramienta de webhook que conecta su agente de voz con IA a un flujo de trabajo de n8n para la recuperación de información de productos en tiempo real.

Aprenderá el proceso paso a paso para configurar la integración de webhook entre ElevenLabs y n8n, incluyendo la configuración de métodos POST, parámetros del cuerpo y tipos de datos para que su agente de voz con IA pueda hacer preguntas y recibir respuestas de su base de conocimientos. El tutorial cubre detalles esenciales de configuración, como los modos de ejecución, la configuración de voz previa a la herramienta y los efectos de sonido de escritura para crear una experiencia conversacional más natural.

La clase muestra flujos de trabajo tanto para pruebas como para implementación en producción, enseñándole cómo pasar de URL de prueba a URL de producción, publicar su agente y generar enlaces compartibles. Verá pruebas en vivo del agente de voz con IA gestionando consultas de clientes sobre teclados, con visualización en tiempo real del flujo de trabajo de n8n ejecutándose en segundo plano. Este enfoque sin código para la creación de agentes de voz hace que la automatización mediante IA sea accesible para la creación de asistentes de ventas inteligentes que pueden gestionar sin problemas las conversaciones con los clientes y automatizar las consultas sobre productos.

Si quieres aprender:

• ¿Cómo implementar agentes de voz con IA en producción mediante la integración telefónica de Twilio?

• ¿Cómo conectar los agentes de voz conversacionales de IA de ElevenLabs con un número de teléfono real?

• ¿Cómo crear un sistema de voz con IA listo para producción que gestione llamadas entrantes y salientes?

• ¿Cómo integrar la voz de Twilio con la automatización de flujos de trabajo de n8n para conversaciones en tiempo real?

• ¿Cómo crear un agente de voz que utilice RAG (Generación Aumentada de Recuperación) con Supabase y OpenAI?

• ¿Cómo configurar números de teléfono de Twilio y webhooks de voz para interacciones con clientes impulsadas por IA?

¡Entonces esta clase es para ti!

En esta clase práctica, implementarás un agente de voz con IA completamente funcional en producción mediante la integración telefónica de Twilio y la IA conversacional de ElevenLabs. Aprenderás a configurar una cuenta de Twilio, obtener un número de teléfono de Twilio y configurar webhooks de voz para conectarte con tu agente de ElevenLabs. Este tutorial te muestra paso a paso cómo importar tu número de Twilio a ElevenLabs usando tu SID de cuenta y token de autenticación desde el panel de control de la consola de Twilio.

Verás una demostración en vivo de un agente de voz con IA gestionando llamadas reales, respondiendo consultas sobre productos y proporcionando información de precios en conversaciones naturales. El sistema integra diversas tecnologías, como la automatización de flujos de trabajo n8n, Gemini 2.5 Flash como modelo conversacional, incrustaciones de OpenAI para la vectorización y Supabase para la base de conocimiento, todas trabajando juntas en tiempo real con respuestas de baja latencia.

La clase abarca todo el proceso de integración de Twilio, desde navegar por el panel de control hasta configurar el webhook de voz y asignar tu número de teléfono a un agente de IA. Verás cómo el sistema, listo para producción, gestiona las llamadas entrantes sin problemas, utilizando conversión de texto a voz y respuestas contextuales gracias a la tecnología RAG. Esta implementación práctica demuestra cómo automatizar las llamadas de clientes, crear un agente de soporte para la reserva de citas o desarrollar casos de uso para empresas de servicios que deseen que su IA gestione las interacciones telefónicas.

Al finalizar, comprenderá cómo combinar la voz de Twilio, las capacidades de los agentes de ElevenLabs y la orquestación de flujos de trabajo de n8n para crear experiencias de voz con IA que transformen las interacciones con los clientes y automaticen tareas de mayor valor para las empresas.

Si quieres aprender:

- ¿Debería elegir n8n en la nube o en autohospedaje para mis necesidades de automatización?

- ¿Cómo configuro n8n en autohospedaje en mi máquina local?

- ¿Cuáles son las diferencias reales entre las opciones de implementación de n8n en la nube y en autohospedaje?

- ¿Vale la pena usar n8n en autohospedaje en comparación con n8n en la nube?

- ¿Cómo se comparan los precios de n8n entre la solución en la nube y las opciones de autohospedaje?

- ¿Cuáles son las mejores prácticas para implementar n8n en tu propio servidor?

¡Entonces esta clase es para ti!

Esta clase ofrece una comparación exhaustiva de las opciones de implementación de n8n en la nube y en autohospedaje para ayudarte a elegir la mejor opción para las necesidades de tu plataforma de automatización. Descubrirás las diferencias clave entre usar el servicio n8n en la nube totalmente administrado y autohospedajear n8n en tu propia infraestructura, incluyendo consideraciones sobre la ejecución de flujos de trabajo, el control de datos y los modelos de precios de n8n.

La clase aborda las ventajas de n8n Cloud, incluyendo la implementación con un solo clic, servicios totalmente administrados, gestión simplificada de webhooks e integraciones OAuth sencillas con plataformas como Google Sheets y Gmail. Comprenderá cómo el servicio en la nube gestiona la infraestructura subyacente, los servidores y las actualizaciones automáticas bajo la licencia Fair Code.

También explorará los beneficios de la implementación autoalojada de n8n, incluyendo flujos de trabajo y ejecuciones ilimitadas, control total sobre sus datos, mayor seguridad y privacidad, y la operación rentable de la edición comunitaria de n8n. La clase explica las opciones de autoalojería, desde ejecutar n8n en su máquina local con Docker hasta implementarlo en un VPS con proveedores como Hetzner o DigitalOcean.

Entre las consideraciones técnicas clave que se abordan se incluyen los desafíos de configuración de webhooks con instancias autoalojadas, los requisitos avanzados de configuración de OAuth 2.0, los métodos de implementación de Docker, la configuración del proxy inverso y las diferencias entre usar n8n.io y n8n en su propio servidor. Aprenderás sobre las opciones de implementación con Docker Compose, Kubernetes y diversas plataformas de computación en la nube para quienes deseen implementar n8n más allá del desarrollo local.

La clase ofrece orientación práctica sobre cómo elegir entre el plan básico de n8n Cloud, con 2500 ejecuciones al mes, y el autoalojamiento para ejecutar flujos de trabajo ilimitados. Esto te ayudará a tomar una decisión informada según tus necesidades de automatización, capacidades técnicas, requisitos de uso de recursos y si priorizas la comodidad o el control de datos para tu plataforma de automatización de flujos de trabajo.

Si quieres aprender:

• ¿Cómo instalo Docker Desktop en Windows y Mac?

• ¿Cuál es la mejor manera de ejecutar n8n localmente en mi ordenador?

• ¿Debo usar Docker o NPM para instalar n8n?

• ¿Cómo configuro una instancia de n8n autoalojada paso a paso?

• ¿Cuáles son los requisitos previos para ejecutar n8n con Docker?

• ¿Cómo configuro WSL2 para Docker en Windows?

¡Entonces esta lección es para ti!

Este completo tutorial paso a paso te guiará en la instalación de Docker Desktop y la configuración de n8n localmente en sistemas Windows y Mac. Aprenderás a instalar Docker Desktop, configurar WSL2 en Windows para un rendimiento óptimo de Docker y comprenderás por qué Docker es la opción recomendada frente a NPM para autoalojar n8n. La lección cubre todo el proceso de instalación de Docker, desde la descarga de Docker Desktop hasta el lanzamiento de tu primer contenedor Docker. Aprenderás a usar PowerShell en Windows y la Terminal en Mac para ejecutar comandos esenciales, consultar la documentación de n8n para el autoalojamiento y preparar tu entorno local para la automatización de flujos de trabajo. Tanto si usas Windows con un chip Intel o ARM, como si usas Mac con un procesador Apple Silicon o Intel, este tutorial te ofrece instrucciones específicas para cada plataforma para instalar n8n localmente con éxito. Al finalizar, tendrás Docker Desktop funcionando en tu ordenador y estarás listo para implementar tu instancia local de n8n y crear potentes flujos de trabajo de automatización sin depender de los servicios en la nube de n8n.

Si quieres aprender:

- ¿Cómo instalar Docker Desktop en tu ordenador y empezar a usar contenedores?

- ¿Qué son los volúmenes de Docker y cómo crear uno para automatizar el flujo de trabajo de n8n?

- ¿Cómo ejecutar n8n localmente con Docker con una guía completa paso a paso?

- ¿Qué hace cada parte del comando `docker run` al configurar n8n?

- ¿Cómo configurar las variables de entorno y la zona horaria para tu instancia local de n8n?

- ¿Cómo verificar que tu contenedor Docker se ejecuta correctamente en Docker Desktop?

¡Entonces esta lección es para ti!

En este tutorial práctico, aprenderás a configurar n8n localmente con Docker Desktop mediante un proceso completo paso a paso. La lección te guiará por la interfaz de Docker Desktop, explicando contenedores, imágenes y volúmenes en términos sencillos. Descubrirás cómo crear un volumen Docker dedicado para el almacenamiento de datos de n8n usando la terminal o la línea de comandos de PowerShell. Este tutorial proporciona instrucciones detalladas para ejecutar el comando `docker run` e iniciar tu contenedor n8n, incluyendo cómo configurar la zona horaria, asignar puertos de red y establecer variables de entorno. Aprenderás la función de cada opción del comando Docker, desde la asignación de puertos `-p` hasta la configuración de volúmenes `-v`, y comprenderás cómo funcionan las imágenes Docker como plantillas para contenedores. Al finalizar esta lección, tendrás n8n ejecutándose localmente en tu ordenador en un entorno Docker aislado, listo para la automatización de flujos de trabajo. El tutorial abarca instalaciones tanto para Mac como para PC, aborda problemas comunes de resolución de problemas y explica las mejores prácticas para alojar n8n en tu propio servidor con Docker.

Si quieres aprender:

- ¿Cómo ejecuto n8n con Docker en mi ordenador?

- ¿Qué ocurre cuando Docker descarga la imagen de n8n por primera vez?

- ¿Cómo accedo a mi instancia de n8n autoalojada después de iniciar el contenedor?

- ¿Por qué aparecen mensajes de error sobre Python al iniciar n8n en Docker?

- ¿Cómo configuro mi cuenta de propietario de n8n en una instancia local?

- ¿Cuál es la diferencia entre localhost en Docker y localhost en mi ordenador?

¡Entonces esta clase es para ti!

En esta clase práctica, aprenderás a ejecutar n8n con Docker ejecutando tu primer comando de Docker e iniciando tu contenedor de n8n. Verás el proceso completo de descarga de la imagen de n8n desde el registro cuando no se encuentra localmente en tu sistema y comprenderás qué ocurre durante la configuración inicial. Esta lección te guiará en la interpretación de los mensajes de salida de Docker, incluidos los informes de migración y las advertencias del ejecutor de Python que aparecen durante el inicio del contenedor. Se explicará por qué estos mensajes se producen dentro del contenedor y por qué no afectan a tu implementación.

Aprenderás a usar Docker Desktop para verificar tu contenedor n8n en ejecución, comprobar el volumen n8n_data para el almacenamiento persistente de datos y comprender el mapeo de puertos entre tu contenedor Docker y tu máquina host. La lección muestra cómo acceder a tu instancia n8n autoalojada navegando a localhost:5678 en tu navegador web, configurando tu cuenta de propietario con las credenciales adecuadas y explorando la interfaz n8n que se ejecuta localmente en tu ordenador. Aprenderás la diferencia clave entre el localhost interno del contenedor y el localhost de tu máquina host, y cómo Docker mapea el puerto 5678 para permitir el acceso a tu instancia n8n desde el navegador. Al finalizar, tendrás una herramienta de automatización de flujos de trabajo n8n autoalojada completamente funcional ejecutándose en un contenedor Docker con almacenamiento persistente configurado.

Si quieres aprender:

- ¿Cómo configurar la automatización de flujos de trabajo de n8n autoalojada en tu ordenador usando Docker?

- ¿Cómo integrar OpenRouter con n8n para acceder a modelos de IA avanzados como DeepSeek?

- ¿Cómo crear tu primer agente de IA con funciones de chat y acceso a herramientas?

- ¿Cómo conectar API externas como MarketStack a tu agente de IA para acceder a datos en tiempo real?

- ¿Cuáles son las diferencias entre usar modelos de IA en la nube y ejecutar Ollama localmente?

- ¿Cómo solucionar problemas comunes de integración de modelos de IA y fiabilidad en el acceso a herramientas?

¡Entonces esta clase es para ti!

Esta clase ofrece una guía completa paso a paso para configurar una plataforma de automatización de n8n autoalojada con agentes de IA usando OpenRouter y DeepSeek AI. Aprenderás a configurar tu instancia de n8n en un contenedor Docker, navegar por la interfaz de la plataforma y acceder a ajustes clave, como la gestión de versiones y los planes de uso.

Este tutorial te guía en la creación de tu primer flujo de trabajo desde cero, comenzando con un activador de mensajes de chat y desarrollando un agente de IA con capacidad de memoria. Integrarás OpenRouter como proveedor de tu modelo de chat mediante autenticación con clave API y, a continuación, configurarás DeepSeek v3.2 como tu modelo de IA para crear un chatbot inteligente que se ejecute completamente en tu ordenador.

La lección muestra cómo mejorar tu agente de IA añadiendo herramientas, en concreto, integrando la API de MarketStack para la obtención de datos de precios de acciones en tiempo real. Aprenderás a configurar correctamente las credenciales, los parámetros y a habilitar filtros para realizar consultas de datos precisas. El contenido abarca la resolución de problemas de llamadas a herramientas con diferentes modelos y explora alternativas como el modelo GPT o3s 120b de OpenAI, que se ejecuta a través de OpenRouter para un rendimiento más fiable.

Adquirirás experiencia práctica en la creación de automatización de flujos de trabajo con IA que conecta múltiples aplicaciones y servicios, comprendiendo la arquitectura de los agentes como modelos de lógica de negocio equipados con herramientas para alcanzar objetivos específicos. La conferencia también aborda las opciones de implementación, incluidas las diferencias entre ejecutar Ollama localmente y utilizar soluciones basadas en la nube, y las consideraciones para la aceleración por GPU en diferentes sistemas operativos.

Si quieres aprender:

• ¿Cómo ejecuto n8n en mi máquina local en lugar de usar la versión en la nube?

• ¿Qué es Ollama y cómo puedo usarlo para ejecutar modelos de IA localmente en mi ordenador?

• ¿Cómo integro Ollama con n8n para crear flujos de trabajo de IA usando modelos de lógica de negocio (LLM) locales?

• ¿Cuál es la diferencia entre conectarse a las API en n8n en la nube y en n8n autoalojado?

• ¿Cómo puedo configurar flujos de trabajo de automatización de IA que se ejecuten completamente localmente sin llamadas a API externas?

• ¿Cuáles son los pasos para configurar Docker para ejecutar n8n con la integración de Ollama?

¡Entonces esta clase es para ti!

Esta clase muestra cómo ejecutar n8n autoalojado usando Docker e integrarlo con Ollama para ejecutar flujos de trabajo de IA usando LLM locales. Aprenderás las diferencias prácticas entre las instancias de n8n en la nube y las autoalojadas, especialmente en lo que respecta a la configuración de credenciales para servicios como Google Sheets. La lección explica cómo instalar Ollama, descargar modelos de código abierto como Mistral y Gemma, y configurar el nodo del modelo de chat de Ollama en n8n. Descubrirá cómo usar el mapeo host.docker.internal de Docker para conectar su contenedor n8n con Ollama, que se ejecuta en el puerto 11434 de localhost. La demostración incluye la creación de un flujo de trabajo de agente de IA funcional que utiliza modelos de lenguaje locales para responder consultas y llamar a herramientas, todo ello ejecutándose completamente en su máquina local. Verá ejemplos reales de selección de modelos según la RAM y la capacidad de la GPU de su ordenador, y comprenderá las consideraciones de rendimiento al ejecutar la automatización de IA local. Esta guía práctica cubre el proceso completo de configuración para flujos de trabajo de IA autoalojados, desde la configuración del contenedor Docker hasta la prueba de aplicaciones con IA utilizando modelos de lenguaje locales implementados localmente.

Si quieres aprender:

- ¿Cómo funciona la autenticación OAuth 2.0 en la automatización de flujos de trabajo de n8n?

- ¿Cuál es la diferencia entre las llamadas a la API y los webhooks en el desarrollo de flujos de trabajo?

- ¿Cómo configuro integraciones avanzadas con n8n Cloud?

- ¿Cuáles son las mejores prácticas para organizar flujos de trabajo mediante proyectos y carpetas?

- ¿Cómo configuro los activadores de webhook y las solicitudes HTTP en n8n?

- ¿Qué métodos de autenticación debo usar para las diferentes integraciones de API?

¡Entonces esta clase es para ti!

Esta clase abarca técnicas avanzadas de automatización de flujos de trabajo de n8n, centrándose en tres métodos de autenticación: claves API simples, OAuth 2.0 con un solo clic y configuración personalizada del cliente OAuth 2.0. Aprenderás las diferencias fundamentales entre las llamadas a la API y los webhooks, comprendiendo cómo funcionan las solicitudes HTTP como puntos finales y cómo los nodos de webhook funcionan como mecanismos de activación en tus flujos de trabajo de automatización.

Esta sesión ofrece orientación práctica para la transición a n8n Cloud para el desarrollo de flujos de trabajo en producción, incluyendo la configuración de agentes de IA con integración de OpenRouter y DeepSeek. Descubrirá cómo organizar flujos de trabajo complejos utilizando las funciones de gestión de proyectos de n8n, como la creación de proyectos y carpetas, y el uso de notas adhesivas para el diseño visual de flujos de trabajo.

Entre los conceptos técnicos clave que se abordan se incluyen los métodos HTTP (GET y POST), los activadores de webhook frente a los nodos de acción, la transformación de datos JSON y el nodo de solicitud HTTP para flujos de trabajo de API personalizados. Aprenderá las mejores prácticas para crear flujos de trabajo de automatización escalables, gestionar credenciales entre proyectos y estructurar su espacio de trabajo de n8n para funcionalidades comerciales. La presentación muestra ejemplos prácticos de flujos de trabajo utilizando modelos de chat, agentes de IA y configuración de memoria, preparándolo para crear soluciones de automatización listas para producción con patrones de autenticación e integración adecuados.

Si quieres aprender:

- ¿Cómo configuro las credenciales de Google OAuth2 para los flujos de trabajo de n8n?

- ¿Cuáles son las instrucciones paso a paso para configurar la pantalla de consentimiento de OAuth en la consola de Google Cloud?

- ¿Cómo creo un ID de cliente de OAuth y conecto los servicios de Google a mi instancia de n8n?

- ¿Cuál es la forma correcta de configurar las URI de redireccionamiento autorizadas para la integración de n8n con Google?

- ¿Cómo habilito la API de Google Drive y configuro las credenciales de Google en n8n?

- ¿Cuáles son los requisitos previos y las mejores prácticas para la autenticación de Google OAuth2 en la automatización de flujos de trabajo?

¡Entonces esta lección es para ti!

Este completo tutorial paso a paso te guía en la configuración de las credenciales de Google OAuth2 para los flujos de trabajo de n8n. Aprenderás a crear un proyecto de Google Cloud, navegar por la consola de Google Cloud y configurar la pantalla de consentimiento de OAuth para tu plataforma de automatización. Esta lección abarca la habilitación de la API de Google Drive, la creación del ID de cliente y el secreto de cliente de OAuth, y la configuración correcta de las URI de redireccionamiento autorizadas para autenticar los servicios de Google en n8n.

Aprenderá a configurar las credenciales de Google en n8n copiando la URL de redireccionamiento de OAuth desde la ventana modal de credenciales de n8n y pegándola en la consola de Google Cloud. El tutorial le guiará en la selección del tipo de usuario correcto (interno para Google Workspace o externo para cuentas de Gmail), la adición de usuarios de prueba y la creación de credenciales OAuth2 que permitan a su instancia de n8n acceder a servicios de Google como Google Drive, Google Sheets y Gmail.

Esta guía destaca las mejores prácticas para la configuración de OAuth, incluyendo la gestión adecuada de credenciales y la solución de problemas comunes de autorización. Al finalizar esta lección, tendrá credenciales OAuth2 de Google completamente funcionales configuradas en su plataforma de automatización de flujos de trabajo n8n, lo que permitirá una potente automatización con los servicios de Google. Ideal para usuarios que utilizan alojamiento propio y para cualquier persona que desee integrar la autenticación de la API de Google en sus flujos de trabajo de n8n.

Si quieres aprender:

- ¿Cómo configuro la autenticación OAuth2 para Google Drive en n8n?

- ¿Cuál es la forma más sencilla de monitorizar automáticamente los nuevos archivos subidos a una carpeta de Google Drive?

- ¿Cómo recibo notificaciones push cuando se añaden archivos a Google Drive?

- ¿Cómo creo una automatización de flujo de trabajo que se active con los cambios en los archivos de Google Drive?

- ¿Cuál es la diferencia entre la autenticación OAuth2 y la autenticación mediante clave API para la integración con Google Drive?

- ¿Cómo conecto n8n a Google Drive y configuro la monitorización automatizada de archivos?

¡Entonces esta clase es para ti!

Este tutorial práctico te guiará a través del proceso completo para crear un flujo de trabajo automatizado que monitoriza una carpeta de Google Drive en busca de nuevos archivos y envía notificaciones push usando n8n y Pushover. Aprenderás a configurar las credenciales OAuth2 para integrar Google Drive con n8n, y comprenderás por qué OAuth2 ofrece una autenticación más segura y flexible en comparación con las claves API simples. La lección muestra paso a paso cómo crear un nodo de activación de Google Drive que sondea una carpeta específica cada minuto para detectar la subida de nuevos archivos y, a continuación, conecta este activador a un nodo de notificación de Pushover para enviar alertas instantáneas. Verás todo el flujo de autenticación OAuth2 en acción, desde la creación de credenciales en la consola de Google Cloud hasta la autorización de la conexión y la prueba del flujo de trabajo. El tutorial abarca la configuración del activador de Google Drive para detectar la creación de archivos, la configuración de los intervalos de sondeo y la publicación del flujo de trabajo para su monitorización en tiempo real. Al finalizar, tendrás una automatización completamente funcional que detecta nuevos archivos en tu carpeta de Google Drive y envía notificaciones push en tiempo real a tu dispositivo, con información práctica sobre la monitorización y depuración de la ejecución del flujo de trabajo en n8n.

Si quieres aprender:

- ¿Cómo extraigo automáticamente texto de archivos PDF subidos a Google Drive?

- ¿Cuál es la forma más sencilla de crear un flujo de trabajo de extracción de PDF con n8n?

- ¿Cómo puedo automatizar la extracción de datos de documentos PDF sin programar?

- ¿Puedo configurar notificaciones automáticas cuando se procesan archivos PDF en Google Drive?

- ¿Cuáles son los pasos para crear un flujo de trabajo de n8n para la extracción de texto de PDF?

- ¿Cómo conecto Google Drive con n8n para extraer información de archivos PDF?

¡Entonces esta clase es para ti!

Esta clase práctica te guiará en la creación de un flujo de trabajo completo de extracción de texto de PDF con n8n y Google Drive. Aprenderás a configurar un activador de Google Drive que supervise una carpeta específica en busca de nuevas subidas de archivos, configurar credenciales OAuth2 para una integración segura con Google Drive y descargar archivos automáticamente usando el nodo de Google Drive con selección de ID de archivo basada en expresiones.

Este flujo de trabajo muestra cómo usar el nodo «Extraer de archivo» para convertir documentos PDF a formato de texto legible, procesar los datos extraídos y enviar notificaciones automáticas mediante Pushover. Seguirás un proceso paso a paso: crear un activador de Google Drive que compruebe cada minuto si hay cambios, descargar automáticamente los archivos al recibirlos, extraer el contenido de texto de los documentos PDF y enviar la información extraída a los sistemas de notificación.

La clase incluye demostraciones prácticas de cómo crear archivos PDF de prueba, subirlos a carpetas monitorizadas, ejecutar flujos de trabajo y verificar la extracción correcta del texto. También explorarás conceptos avanzados como la implementación de lógica condicional con sentencias if para gestionar varios tipos de archivo, la asignación de diferentes formatos de documento a los métodos de extracción adecuados según los tipos MIME y la gestión de datos binarios en los flujos de trabajo de n8n.

Al finalizar esta sesión, tendrás una automatización completamente funcional que te ahorrará horas de trabajo manual al procesar automáticamente los documentos PDF subidos a Google Drive y extraer el contenido de texto estructurado para su posterior uso en tus flujos de trabajo.

Si quieres aprender:

• ¿Cómo usar Firecrawl con n8n para web scraping y extracción de datos?

• ¿Qué son las salidas estructuradas y por qué son cruciales para los flujos de trabajo de IA?

• ¿Cómo integrar la API de Firecrawl en tus flujos de trabajo de automatización de n8n?

• ¿Cómo convertir respuestas LLM no estructuradas en datos JSON estructurados?

• ¿Cómo crear flujos de trabajo de web scraping con IA que extraigan datos listos para LLM?

• ¿Cómo configurar las operaciones de Firecrawl para la búsqueda, el scraping y el rastreo?

¡Entonces esta clase es para ti!

Esta clase muestra cómo integrar la API de web scraping de Firecrawl con n8n para crear flujos de trabajo inteligentes de extracción de datos. Aprenderás a configurar una cuenta de Firecrawl, obtener tu clave API e instalar el nodo de Firecrawl en tu instancia de n8n. Esta lección aborda el concepto esencial de salidas estructuradas: una técnica poderosa que obliga a los agentes de IA a generar respuestas en un formato JSON específico, lo que hace que las salidas de LLM sean predecibles y estén listas para su integración en flujos de trabajo.

Desarrollarás una automatización práctica que combina un agente de IA con las capacidades de búsqueda de Firecrawl. El flujo de trabajo utiliza analizadores de salida estructurada para convertir preguntas en lenguaje natural en consultas de búsqueda con el formato adecuado, que luego se introducen en Firecrawl para extraer datos web. Configurarás el agente de IA con indicaciones personalizadas del sistema, implementarás el analizador de salida estructurada con plantillas JSON y conectarás el nodo de Firecrawl para ejecutar búsquedas web basadas en consultas generadas por IA.

Al finalizar esta lección, comprenderás cómo usar Firecrawl para extraer datos de cualquier sitio web, transformar el contenido web en formato Markdown compatible con LLM y aprovechar la extracción de datos estructurados para aplicaciones de IA. Dominarás las técnicas de automatización de flujos de trabajo necesarias para la extracción web moderna, incluyendo cómo gestionar las credenciales de la API, configurar las operaciones de Firecrawl y crear flujos de trabajo de extracción web fiables que combinen la inteligencia artificial con potentes capacidades de extracción de datos.

Si quieres aprender:

• ¿Cómo usar el nodo de solicitud HTTP en n8n para enviar datos a API externas y webhooks?

• ¿Qué son las salidas estructuradas y por qué son cruciales para la automatización de flujos de trabajo?

• ¿Cómo integrar webhook.site con los flujos de trabajo de n8n para pruebas y depuración?

• ¿Cómo extraer y transformar datos JSON de agentes de IA y enviarlos a sistemas externos?

• ¿Cuáles son las mejores prácticas para crear flujos de trabajo complejos con autenticación y transformación de datos?

¡Entonces esta clase es para ti!

Esta completa clase demuestra cómo implementar solicitudes HTTP y webhooks en la automatización de flujos de trabajo de n8n. Aprenderás a usar el nodo de solicitud HTTP para realizar solicitudes POST a puntos finales de API externas, comenzando con webhook.site como plataforma de pruebas. La clase cubre las salidas estructuradas usando el analizador de salida con agentes de IA, mostrando cómo configurar DeepSeek a través de OpenRouter para generar datos JSON que se ajusten a estructuras de datos específicas. Descubrirás cómo integrar FireCrawl para la extracción de datos web y la funcionalidad de búsqueda, y luego usarás el nodo de solicitud HTTP para enviar cargas útiles JSON a URL de webhook sin escribir código personalizado. La guía paso a paso incluye métodos de autenticación, configuración de parámetros de nodo y mejores prácticas para crear flujos de trabajo de automatización que procesen datos de aplicaciones y servicios. Verás cómo conectar un agente de IA con Simple Memory a un analizador de salida estructurada, ejecutar lógica de flujo de trabajo que transforme datos y usar activadores de webhook para automatizar tareas repetitivas. La lección también muestra cómo leer archivos PDF usando la integración con Google Drive y extraer contenido de texto directamente dentro del flujo de trabajo. Al final, comprenderás cómo diseñar flujos de trabajo que extraigan datos de sistemas externos, aplicar lógica condicional y activar flujos de trabajo basados en respuestas en formato JSON: habilidades esenciales para crear soluciones de automatización sin código.

Si quieres aprender:

- ¿Qué es MCP (Protocolo de Contexto de Modelo) y por qué se le conoce como el puerto USB-C de la IA?

- ¿Cómo ayuda MCP a los agentes de IA y a los modelos de lenguaje complejos a conectarse con herramientas externas?

- ¿Qué diferencia a MCP de los métodos tradicionales de integración de IA?

- ¿Por qué MCP se ha convertido en un estándar abierto tan ampliamente adoptado en los sistemas de IA?

- ¿Cómo puedes usar MCP para conectar aplicaciones de IA con herramientas que no has desarrollado tú mismo?

- ¿Cuáles son los casos de uso reales de MCP y cómo funciona su arquitectura?

¡Entonces esta clase es para ti!

Esta clase ofrece una introducción completa al Protocolo de Contexto de Modelo (MCP), un estándar abierto que actúa como un método universal para que los agentes de IA y los modelos de lenguaje complejos se conecten con herramientas y fuentes de datos externas. Descubrirás por qué MCP se describe como el puerto USB-C de las herramientas de IA, ya que permite una integración perfecta entre sistemas y aplicaciones de IA sin necesidad de programación personalizada para cada conexión.

La conferencia aclara la distinción entre el uso de herramientas en la IA agente (la innovación fundamental) y MCP (el protocolo estandarizado que facilita el intercambio de herramientas). Aprenderá cómo MCP proporciona un protocolo universal para la integración de la IA, permitiéndole usar herramientas desarrolladas por otros y compartir sus propias herramientas con la comunidad de IA a través de este protocolo común.

Explorará la arquitectura de MCP y comprenderá cómo funciona como puente entre las aplicaciones de IA y los sistemas externos. La conferencia aborda qué es MCP y qué no es, desmintiendo conceptos erróneos comunes sobre el protocolo. Aprenderá por qué MCP es importante en el panorama actual de la IA, cómo su adopción generalizada lo ha convertido en el estándar de facto y qué le depara el futuro.

La sesión también examina la integración de MCP en plataformas como n8n, preparándolo para crear agentes de IA que puedan aprovechar el creciente ecosistema de MCP. Comprenderá cómo MCP resuelve el desafío de conectar la IA a múltiples fuentes de datos y herramientas mediante un enfoque único y estandarizado, y por qué este protocolo abierto ha generado tanto entusiasmo en la comunidad de IA.

Si quieres aprender:

¿Cómo funciona la arquitectura del Protocolo de Contexto de Modelo (MCP) con sus componentes Host, Cliente y Servidor?

¿Cuál es la diferencia entre usar herramientas nativas de n8n y conectarse a servidores MCP mediante un cliente MCP?

¿Cómo integrar herramientas de IA externas en la automatización de flujos de trabajo de n8n usando MCP?

¿Cuáles son los tres mecanismos de transporte (STDIO, SSE y HTTP en tiempo real) para conectar clientes y servidores MCP?

¿Cómo convertir tus flujos de trabajo de n8n en servidores MCP que puedan usar otras aplicaciones de IA como Claude Desktop?

¿Cuándo conviene usar una herramienta cliente MCP en n8n en lugar de crear nodos de flujo de trabajo personalizados?

¡Entonces esta clase es para ti!

Esta clase explica la arquitectura MCP, compuesta por tres partes: el Host MCP (tu entorno de IA, como n8n o Claude Desktop), el Cliente MCP (el componente conector) y el Servidor MCP (el proveedor de herramientas). Aprenderás los tres mecanismos de transporte para la comunicación cliente-servidor: STDIO para conexiones locales, SSE (obsoleto) y HTTP (transmitible) para integraciones remotas. La lección muestra tres formas prácticas de usar MCP con n8n: agregar una herramienta cliente MCP al nodo de tu agente de IA para acceder a herramientas externas, crear un activador de servidor MCP para exponer tus flujos de trabajo de n8n como herramientas para otras aplicaciones de IA y configurar los ajustes globales del servidor MCP en múltiples flujos de trabajo. Comprenderás cuándo usar las herramientas nativas de n8n en lugar de las conexiones de cliente MCP, cómo MCP estandariza la integración de herramientas en diferentes plataformas de automatización de flujos de trabajo y por qué el Protocolo de Contexto de Modelo resuelve el problema de conectar modelos de lenguaje a API y fuentes de datos externas. Este análisis técnico en profundidad abarca los métodos de autenticación, la configuración de puntos finales y las mejores prácticas para integrar n8n con servidores MCP, lo que te permitirá ampliar las capacidades de tu agente de IA más allá de los nodos integrados mediante la plataforma de automatización de flujos de trabajo de código abierto.

Si quieres aprender:

- ¿Cómo crear un agente de ventas con IA en n8n que encuentre y califique prospectos automáticamente?

- ¿Qué es MCP (Protocolo de Contexto de Modelo) y cuándo usarlo en tus flujos de trabajo de n8n?

- ¿Cómo usar salidas estructuradas para crear respuestas consistentes y confiables para el agente de IA?

- ¿Cuáles son las tres formas de integrar MCP con n8n y cuál es la más práctica?

- ¿Cómo automatizar la generación y calificación de leads mediante investigación con IA?

- ¿Cómo crear un buscador de prospectos que genere automáticamente mensajes personalizados?

¡Entonces esta clase es para ti!

Esta clase te enseña a crear un buscador de prospectos con IA usando MCP en n8n con salidas estructuradas. Aprenderás los tres métodos de integración de MCP con n8n: usar el nodo cliente de MCP para conectarte a servidores MCP existentes, crear tu propio servidor MCP para que otros lo usen y convertir flujos de trabajo completos de n8n en servidores MCP a los que Claude y otros agentes de IA puedan acceder.

El tutorial abarca la implementación práctica del análisis de salida estructurada para garantizar que tu agente de IA genere respuestas JSON consistentes con datos de prospectos, incluyendo nombre, apellido, empresa, cargo, correo electrónico y criterio de calificación. Descubrirás por qué MCP es menos crítico en n8n en comparación con otras plataformas —ya que n8n ofrece amplias integraciones nativas— y cuándo MCP se convierte en la opción adecuada para tus necesidades de automatización.

El tutorial paso a paso te guía en la configuración de un agente de IA con GPT-4o, estableciendo un máximo de 30 iteraciones para flujos de trabajo complejos, implementando analizadores de salida estructurada y diseñando esquemas JSON para la calificación de clientes potenciales. Aprenderás a crear un flujo de trabajo de automatización de ventas que investiga prospectos, califica clientes potenciales automáticamente y genera comunicaciones personalizadas, eliminando así el trabajo manual de prospección para los representantes de desarrollo de ventas. Esta guía práctica combina el desarrollo de agentes de IA, la automatización de flujos de trabajo y la generación de clientes potenciales en un embudo de ventas totalmente automatizado y escalable.

Si quieres aprender:

¿Cómo conecto el servidor MCP de FireCrawl a mi agente de IA n8n para web scraping?

¿Qué es el Protocolo de Contexto de Modelo (MCP) y cómo funciona con los flujos de trabajo de n8n?

¿Cómo puedo habilitar mi agente de IA para extraer datos de sitios web y buscar en internet automáticamente?

¿Cuál es la diferencia entre usar herramientas MCP y nodos n8n tradicionales para web scraping?

¿Cómo configuro las credenciales de la API y las variables de entorno para la integración con FireCrawl?

¿Por qué mi LLM no necesita instrucciones manuales al usar las herramientas del servidor MCP?

¡Entonces esta lección es para ti!

Esta lección muestra cómo integrar el servidor MCP de FireCrawl con tu agente de IA n8n para habilitar capacidades de web scraping autónomas. Aprenderás a configurar la herramienta cliente MCP en n8n usando el transporte HTTP streamable, configurar tu clave API de FireCrawl como una variable de entorno usando $VARS y conectarte al punto final del servidor MCP alojado remotamente. El tutorial cubre el proceso completo de configuración del flujo de trabajo, incluyendo la adición de la herramienta cliente MCP a su agente de IA, la configuración del mensaje del sistema para encontrar clientes potenciales y la comprensión de cómo el Protocolo de Contexto del Modelo comunica automáticamente las herramientas disponibles y sus capacidades a su LLM sin ingeniería manual de mensajes. Descubrirá por qué la integración de MCP es superior a los métodos tradicionales de web scraping cuando necesita que su agente de IA tome decisiones autónomas sobre qué rastrear. La lección recorre la documentación de FireCrawl, le muestra cómo estructurar la URL del punto final con credenciales de API integradas y explica la diferencia entre usar nodos principales y herramientas MCP para la automatización del flujo de trabajo. Al final, tendrá un flujo de trabajo n8n completamente funcional donde su agente de IA puede usar de forma independiente las herramientas de FireCrawl para extraer información de sitios web, buscar en internet y extraer datos estructurados basados ​​en consultas en lenguaje natural, todo sin escribir código ni realizar un mantenimiento constante.

Si quieres aprender:

- ¿Cómo crear sistemas de IA multiagente que puedan usar varias herramientas simultáneamente?

- ¿Cómo integrar servidores MCP con agentes de IA en n8n para la automatización en entornos reales?

- ¿Cómo conectar la API de Hunter.io con el cliente MCP para flujos de trabajo de prospección de ventas?

- ¿Cómo configurar la autenticación y los puntos finales para el transporte HTTP en tiempo real en MCP?

- ¿Cómo crear agentes de IA que busquen, extraigan y encuentren automáticamente direcciones de correo electrónico profesionales?

- ¿Cómo estructurar la salida JSON de los flujos de trabajo de los agentes de IA mediante la validación de esquemas?

¡Entonces esta clase es para ti!

En este tutorial paso a paso, aprenderás a crear un sistema multiagente sofisticado en n8n utilizando nodos de herramientas del cliente MCP e integración con Hunter.io. Descubrirás cómo configurar servidores MCP con transporte HTTP en tiempo real, configurar la autenticación Bearer para conexiones API seguras y crear agentes de IA que puedan orquestar varias herramientas simultáneamente. La clase muestra un flujo de trabajo real de prospección de ventas donde un agente de IA usa FireCrawl para la extracción y búsqueda de datos web, y luego aprovecha el servidor MCP de Hunter.io para encontrar direcciones de correo electrónico profesionales verificadas de clientes potenciales. Verá cómo el nodo del agente enruta de forma inteligente entre diferentes herramientas MCP, realizando hasta 13 llamadas a la API para completar tareas complejas. Aprenderá a definir indicaciones del sistema que guían el comportamiento del agente, implementar analizadores de salida estructurados para respuestas JSON y depurar flujos de trabajo multiagente usando la interfaz visual de flujo de trabajo de n8n. Al finalizar, comprenderá cómo el Protocolo de Contexto de Modelo permite a los agentes de IA descubrir y usar herramientas dinámicamente, cómo administrar sistemas de credenciales para múltiples API externas y cómo crear automatización de agentes que combine la investigación web con el enriquecimiento de datos CRM para aplicaciones empresariales.

Si quieres aprender:

- ¿Cómo transformar tus flujos de trabajo de n8n en servidores MCP reutilizables a los que puedan acceder otros agentes de IA?

- ¿Cuál es el proceso paso a paso para exponer flujos de trabajo de n8n como puntos finales de servidor MCP?

- ¿Cómo crear un subagente de prospección mediante la integración de MCP con FireCrawl y Hunter.io?

- ¿Cuál es la diferencia entre usar clientes MCP y nodos nativos de n8n en tus flujos de trabajo de automatización?

- ¿Cómo configurar los activadores y entradas del flujo de trabajo para que tu instancia de n8n sea accesible desde clientes MCP externos?

- ¿Cuáles son las aplicaciones prácticas de empaquetar flujos de trabajo completos de agentes de IA como herramientas MCP?

¡Entonces esta clase es para ti!

Este tutorial práctico te muestra cómo crear tu primer servidor MCP de n8n convirtiendo un flujo de trabajo de n8n existente en un punto final de servidor MCP. Aprenderás el proceso paso a paso para transformar un flujo de trabajo de prospección (que utiliza el servidor FireCrawl MCP para búsquedas web y el cliente Hunter.io MCP para la detección de correos electrónicos) en una herramienta reutilizable a la que pueden acceder agentes de IA externos. La lección abarca la sustitución de los activadores de chat por activadores de "Ejecutar flujo de trabajo", la configuración de las entradas del flujo de trabajo mediante parámetros JSON y la configuración del nodo de activación del servidor MCP para exponer las herramientas n8n a través de una URL de producción. Descubrirás cómo utilizar la herramienta Llamar a n8n Workflow para empaquetar pipelines de automatización completos como herramientas MCP, con descripciones y configuraciones de entrada adecuadas para la detección por parte de agentes de IA. El tutorial destaca consideraciones prácticas de DevOps, como cuándo utilizar la integración MCP frente a los nodos n8n nativos, cómo la IA agente toma decisiones autónomas sobre el uso de herramientas y la arquitectura para crear subagentes que pueden ser llamados por sistemas multiagente más grandes. Al finalizar, comprenderás cómo mantener el control total sobre tu plataforma de automatización mientras permites que los clientes MCP externos descubran y ejecuten tus flujos de trabajo n8n especializados a través del Protocolo de Contexto del Modelo.

Si quieres aprender:

- ¿Cómo crear y usar servidores MCP con n8n y Claude?

- ¿Cómo integrar agentes de IA con herramientas externas mediante el Protocolo de Contexto de Modelo (MCP)?

- ¿Cómo crear servidores MCP personalizados que puedan ser llamados por Claude y otras aplicaciones de IA?

- ¿Cómo conectar flujos de trabajo de n8n como clientes y servidores MCP para una automatización avanzada?

- ¿Cómo usar la integración MCP para acceder a herramientas de terceros no disponibles en n8n?

- ¿Cómo publicar puntos de acceso de servidor MCP listos para producción que los modelos de IA puedan descubrir y usar?

¡Entonces esta clase es para ti!

Esta clase muestra cómo crear e implementar servidores MCP usando la automatización de flujos de trabajo de n8n e integrarlos con Claude AI. Aprenderás a configurar n8n como cliente MCP para conectarse a servidores MCP externos, lo que permitirá a tus agentes de IA usar herramientas de terceros como Hunter y FireCrawl para la prospección de ventas. Este tutorial abarca la creación de un flujo de trabajo de subagente de prospección que aprovecha múltiples herramientas MCP, y su posterior transformación en un servidor MCP personalizado mediante el nodo MCP Server Trigger. Aprenderá a publicar su servidor MCP n8n en producción, generar una URL de punto final del servidor MCP y conectarlo a Claude Desktop como un conector personalizado. La lección describe un caso de uso completo: la creación de una herramienta de prospección de ventas con IA que encuentra empresas de consultoría con direcciones de correo electrónico verificadas. Aprenderá cómo Claude puede descubrir e invocar sus herramientas MCP personalizadas, cómo solucionar problemas de integración de MCP mediante registros de ejecución y cómo orquestar flujos de trabajo de automatización complejos donde n8n funciona simultáneamente como cliente y servidor MCP. Al finalizar, comprenderá la arquitectura del Protocolo de Contexto de Modelo (MCP), cómo configurar las conexiones MCP y cómo ampliar las capacidades de IA integrando n8n con Claude Code y otras aplicaciones LLM a través de puntos finales MCP.

Si quieres aprender:

- ¿Qué es el Protocolo de Contexto de Modelo (MCP) y cómo funciona como el "USB-C para aplicaciones de IA"?

- ¿Cómo puedes usar servidores MCP para conectar agentes de IA a herramientas externas como FireCrawl y Hunter.io en n8n?

- ¿Cuál es la diferencia entre usar herramientas para agentes de IA y salidas estructuradas en tus flujos de trabajo?

- ¿Cómo puedes crear y compartir tu propio servidor MCP para que tus flujos de trabajo de n8n estén disponibles para otras aplicaciones de IA?

- ¿Cuándo deberías elegir salidas estructuradas en lugar de llamadas a herramientas para crear flujos de trabajo de IA fiables?

- ¿Cómo puedes integrar nodos cliente MCP en tu plataforma de automatización n8n para mejorar la funcionalidad de los agentes de IA?

¡Entonces esta clase es para ti!

Esta clase resume la implementación del Protocolo de Contexto de Modelo en n8n y te guía en la decisión crucial entre usar salidas estructuradas y herramientas al crear agentes de IA. Comprenderás cómo MCP funciona como un estándar de código abierto que conecta aplicaciones de IA con herramientas externas, con ejemplos prácticos que utilizan servidores MCP de FireCrawl y Hunter.io. La sesión demuestra dos casos de uso clave de MCP: consumir herramientas MCP de terceros a través del nodo cliente MCP y crear tu propio servidor MCP utilizando el nodo activador del servidor MCP para compartir tus flujos de trabajo n8n con otros sistemas de IA como Claude. Aprenderás la diferencia arquitectónica entre usar llamadas a herramientas (que brindan flexibilidad autónoma a los LLM) y salidas estructuradas con esquema JSON (que proporcionan una fiabilidad a prueba de balas). La clase enfatiza que las salidas estructuradas, habilitadas por el parámetro "requerir formato de salida específico" en el nodo del agente de IA, ofrecen un enfoque más fiable para los flujos de trabajo de IA en producción, a pesar de ser menos populares que el uso dinámico de herramientas. Verás ejemplos reales de cómo construir un subagente de prospección de extremo a extremo que utiliza MCP en múltiples niveles y comprenderás cuándo priorizar la fiabilidad del flujo de trabajo sobre la flexibilidad del agente. La sesión concluye con el inicio del proyecto final, que le preparará para aplicar estos conceptos de MCP y técnicas de salida estructuradas en la creación de flujos de trabajo de automatización de IA robustos y listos para la producción.

Si quieres aprender:

¿Cómo mejora la ingeniería de contexto el rendimiento y la fiabilidad de los agentes de IA?

¿Qué es la ingeniería de contexto para agentes de IA y por qué es importante?

¿Cómo se optimiza la ingeniería de indicaciones y las ventanas de contexto para los modelos de lenguaje natural (LLM)?

¿Qué son los subagentes y cuándo conviene usarlos en flujos de trabajo de IA?

¿Cómo se crean agentes de IA listos para producción con n8n?

¿Cuáles son las mejores prácticas para gestionar el contexto en sistemas de agentes?

¡Entonces esta clase es para ti!

Esta clase ofrece un análisis exhaustivo de la ingeniería de contexto y la arquitectura de subagentes para crear agentes de IA fiables. Aprenderás cómo la ingeniería de contexto optimiza la información contenida en la ventana de contexto de un LLM, incluyendo las indicaciones del sistema, el historial de conversaciones, la recuperación RAG, las descripciones de herramientas y las salidas estructuradas. La clase abarca estrategias de ingeniería de contexto basadas en el marco de Phil Schmid de Google DeepMind, explicando cómo equilibrar las restricciones de la ventana de contexto con la coherencia del modelo para lograr un rendimiento fiable del sistema de IA.

Descubrirás cómo implementar subagentes utilizando flujos de trabajo n8n para dividir tareas complejas en pasos que se pueden probar de forma independiente. La clase demuestra enfoques prácticos para dividir problemas de agentes en agentes especializados, cada uno con un contexto optimizado y conjuntos de herramientas específicos. Aprenderás cuándo usar subflujos de trabajo en lugar de arquitecturas de agente único, comprendiendo las ventajas y desventajas entre autonomía y fiabilidad en sistemas de IA en producción.

Los temas clave incluyen técnicas de optimización de contexto, métricas de evaluación para sistemas de agentes, estrategias de poda de contexto y mejores prácticas para crear agentes listos para producción. Explorarás cómo evitar la contaminación del contexto, gestionar la memoria a largo plazo y las bases de datos, e implementar la automatización de flujos de trabajo que maneja tareas complejas de IA. La clase hace hincapié en la experimentación y los enfoques de I+D para una ingeniería de contexto eficaz, mostrándote cómo los marcos de trabajo modernos para agentes de IA, como n8n, permiten sistemas multiagente sofisticados. Comprenderás el equilibrio crucial entre agentes flexibles y autónomos y sistemas de producción robustos y fiables que ofrecen resultados consistentes para aplicaciones de IA del mundo real.

Si quieres aprender:

- ¿Qué es la triple vulnerabilidad para los agentes de IA y por qué representa un riesgo de seguridad único para los sistemas de IA con agentes?

- ¿Cómo pueden los ataques de inyección de mensajes explotar a los agentes de IA que tienen acceso a datos privados y pueden comunicarse externamente?

- ¿Qué es la Regla de Dos para Agentes y cómo ayuda a prevenir la exfiltración de datos en la seguridad de la IA con agentes?

- ¿Cómo se crean soluciones de IA con agentes robustas que ofrecen resultados precisos en lugar de solo contenido plausible?

- ¿Qué antipatrones se deben evitar al diseñar sistemas y flujos de trabajo de gestión del aprendizaje automático (LLM) con agentes?

- ¿Cómo se puede evaluar y probar el rendimiento de los agentes de IA para garantizar que resuelvan problemas empresariales reales?

¡Entonces esta clase es para ti!

Esta clase explora conceptos críticos de seguridad para la IA con agentes, centrándose en la triple vulnerabilidad para los agentes de IA: una vulnerabilidad única que se produce cuando un agente de IA combina tres características: acceso a datos privados, capacidad de comunicarse externamente y exposición a contenido no confiable. Aprenderás cómo los ataques de inyección de mensajes pueden explotar esta triple vulnerabilidad, utilizando ejemplos reales como la del servidor MCP de GitHub, donde las instrucciones maliciosas en las solicitudes de extracción podrían usarse para robar datos confidenciales.

La clase aborda el principio de seguridad de la Regla de Dos de los Agentes y explica cómo el contenido no confiable proveniente de fuentes como el web scraping, las herramientas MCP o las solicitudes de usuario podría contener instrucciones maliciosas que podrían engañar a tu LLM para que realice la exfiltración de datos. Comprenderás por qué la combinación de herramientas y capacidades del marco requiere operaciones de seguridad y un diseño de sistema cuidadosos.

Más allá de la seguridad, descubrirás qué distingue a las soluciones basadas en agentes de los antipatrones comunes. Aprenderás por qué los LLM generan contenido plausible por diseño y cómo tu rol como ingeniero de IA consiste en transformar resultados plausibles en resultados precisos y medibles. La clase enfatiza la importancia de identificar problemas de negocio claros, establecer métricas de éxito antes de la construcción e implementar pruebas rigurosas para garantizar que tus sistemas de IA basados ​​en agentes ofrezcan valor real en lugar de simplemente generar contenido que parezca convincente. Aprenderás a evitar la "trampa humana" de antropomorfizar a los agentes de IA y, en cambio, te centrarás en resolver desafíos empresariales concretos con resultados medibles.

Si quieres aprender:

¿Cómo automatizar mi embudo de ventas para generar más ingresos?

¿Cuál es la mejor manera de integrar Pipedrive con n8n para la automatización del CRM?

¿Cómo crear un sistema automatizado de ventas salientes con agentes de IA?

¿Cuáles son los pasos para crear un subagente de RevOps para gestionar los datos de ventas?

¿Cómo configurar la integración de la API de Pipedrive para la automatización del flujo de trabajo?

¿Cuál es la diferencia entre clientes potenciales, oportunidades y contactos en los sistemas CRM de ventas?

¡Entonces esta clase es para ti!

Esta clase te guiará en la creación de un embudo de ventas automatizado y optimizado utilizando Pipedrive y n8n para resolver el problema crucial de generar nuevas ventas. Aprenderás a construir un sistema multiagente con un Gerente de Desarrollo de Negocios que coordina tres subagentes especializados: un agente de prospección para la generación de clientes potenciales, un subagente de RevOps para la gestión de datos del CRM y un agente SDR para la prospección y el seguimiento de clientes potenciales.

Este tutorial te enseña a empezar a usar Pipedrive, una plataforma CRM orientada a ventas con acceso API gratuito. Incluye la configuración de la cuenta, la eliminación de datos de ejemplo y la obtención de tu clave API para la integración. Aprenderás a navegar por la interfaz de Pipedrive para gestionar eficazmente clientes potenciales, acuerdos y contactos.

El objetivo principal es crear el subagente de RevOps en n8n, una herramienta de automatización de flujos de trabajo que optimiza tu proceso de ventas mediante la creación automática de registros estructurados (personas, empresas y clientes potenciales) en Pipedrive. Esta automatización elimina la entrada manual de datos, reduce los errores humanos y crea un sistema de ventas escalable. Aprenderás las mejores prácticas para organizar los subagentes y optimizar el uso del contexto, permitiendo su reutilización en diferentes flujos de trabajo. Esto hace que esta solución sea adaptable a agencias de automatización con IA, proyectos paralelos o equipos de ventas empresariales que buscan automatizar tareas y mejorar la eficiencia de las ventas.

Si quieres aprender:

- ¿Cuándo usar salidas estructuradas en lugar de herramientas en la automatización de flujos de trabajo con IA?

- ¿Cómo integrar Pipedrive con n8n para automatizar la generación de leads?

- ¿Cuál es la mejor manera de transferir datos entre nodos de flujo de trabajo en n8n?

- ¿Cómo usar agentes de IA para analizar datos no estructurados y convertirlos en JSON estructurado?

- ¿Por qué los analizadores de salidas estructuradas funcionan mejor que las herramientas para flujos de trabajo secuenciales?

- ¿Cómo conectar varias operaciones de Pipedrive en un único flujo de trabajo de n8n?

¡Entonces esta clase es para ti!

Esta clase demuestra cómo crear una integración de Pipedrive de nivel de producción utilizando la automatización de flujos de trabajo de n8n con salidas estructuradas basadas en IA. Aprenderás por qué los analizadores de salidas estructuradas superan a las herramientas al crear flujos de trabajo secuenciales que requieren el flujo de datos entre nodos. Este tutorial explica cómo configurar un agente de IA con OpenAI (GPT-4o o LLM compatible) para analizar información de clientes potenciales no estructurada y convertirla a formato JSON válido. Posteriormente, crea automáticamente registros de organizaciones, personas y clientes potenciales en Pipedrive mediante el nodo de solicitud HTTP y la API de Pipedrive. Aprenderá a utilizar el analizador de salida estructurada para extraer datos de clientes potenciales (nombre, empresa, cargo, correo electrónico) a partir de la entrada en lenguaje natural, configurar las credenciales de la API de Pipedrive en n8n y encadenar varios nodos de flujo de trabajo pasando identificadores entre operaciones. La lección abarca las mejores prácticas para la ejecución de flujos de trabajo, incluyendo cómo referenciar datos de nodos anteriores mediante expresiones de arrastrar y soltar, cuándo deshabilitar nodos para realizar pruebas y por qué los creadores de flujos de trabajo como n8n ofrecen una mejor gestión de errores y mantenibilidad que depender de llamadas a herramientas LLM para operaciones secuenciales. Esta guía paso a paso es ideal para crear procesos de automatización escalables y de bajo código que integren la IA con sistemas CRM y herramientas externas.

Si quieres aprender:

- ¿Cómo crear agentes de ventas con IA mediante la automatización de flujos de trabajo de n8n?

- ¿Cómo crear un sistema automatizado de gestión de leads con la integración de Pipedrive?

- ¿Cómo crear un agente SDR con IA que redacte automáticamente correos electrónicos de contacto personalizados?

- ¿Cómo usar resultados estructurados frente a herramientas de IA para diferentes flujos de trabajo de automatización?

- ¿Cómo integrar Gmail y Pipedrive CRM para la automatización de ventas en piloto automático?

- ¿Cómo eliminar tareas manuales y optimizar los flujos de trabajo de tu equipo de ventas?

¡Entonces esta clase es para ti!

En este tutorial paso a paso, crearás dos potentes agentes de ventas con IA utilizando la automatización de flujos de trabajo de n8n. Primero, crearás un subagente de RevOps que utiliza resultados estructurados para crear automáticamente contactos, organizaciones y leads en Pipedrive CRM con fiabilidad garantizada. Aprenderás a usar la integración de OpenAI con una estricta automatización de flujos de trabajo para asegurar que los datos fluyan sin problemas a tu CRM enfocado en ventas.

A continuación, crearás un agente SDR (Representante de Desarrollo de Ventas) con IA que lee de forma autónoma los registros de contactos de Pipedrive y genera correos electrónicos de contacto personalizados. Este agente de IA utiliza herramientas en lugar de salidas estructuradas, lo que le brinda la flexibilidad de recuperar datos de CRM y crear borradores de correo electrónico en Gmail automáticamente. Descubrirás cómo diseñar indicaciones del sistema eficaces que eviten errores de IA y garanticen una comunicación profesional y precisa.

El tutorial abarca conceptos clave como la "triple amenaza" de la seguridad en la automatización de IA, las técnicas adecuadas de ingeniería de indicaciones y cómo elegir entre flujos de trabajo estructurados y herramientas de IA autónomas. Verás ejemplos reales de ejecución de flujos de trabajo, aprenderás a integrar múltiples API (Pipedrive y Gmail) y comprenderás cómo crear automatización de ventas que funcione de forma automática manteniendo la supervisión humana. Al finalizar, tendrás dos subagentes funcionales que automatizan el enriquecimiento de leads y el contacto, lo que ayudará a tu proceso de ventas a eliminar tareas manuales y aumentar las tasas de respuesta.

Si quieres aprender:

¿Cómo crear un agente de ventas con IA completo con n8n que automatice la generación y cualificación de leads?

¿Cuáles son las mejores prácticas para implementar subagentes en la automatización de tu flujo de trabajo con IA?

¿Cómo integrar la automatización de ventas con IA con plataformas CRM como Pipedrive?

¿Qué es la ingeniería de contexto y por qué es fundamental para crear agentes de IA eficaces?

¿Cómo transformar procesos de ventas manuales en flujos de trabajo automatizados y escalables con n8n?

¿Cuáles son los errores comunes que debes evitar al crear agentes de ventas con IA para la generación de leads B2B?

¡Entonces esta clase es para ti!

En este curso final, completarás el Agente de Gerente de Desarrollo de Negocios integrando tres subagentes en un flujo de trabajo unificado de automatización de ventas con IA. Aprenderás a convertir subflujos de trabajo en agentes listos para producción utilizando el activador "Cuando se ejecuta mediante otro flujo de trabajo" de n8n, a configurar correctamente los esquemas de entrada para un flujo de datos fluido y a implementar las mejores prácticas, como notas adhesivas, para la documentación del flujo de trabajo. La conferencia abarca principios críticos de ingeniería de contexto, incluyendo cuándo usar subagentes en lugar de otorgar autonomía total a su agente de IA, y cómo evitar la "trampa humana" de sobrearquitecturar las soluciones de agentes. Transformará el subagente SDR y el subagente RevOps de activadores manuales a subflujos de trabajo automatizados que gestionan la cualificación de clientes potenciales, la generación de borradores de correo electrónico y la integración con Pipedrive CRM. Este tutorial paso a paso demuestra cómo estructurar agentes de IA con métricas de negocio claras, protocolos de prueba rigurosos y automatización escalable que genera clientes potenciales cualificados automáticamente. Dominará la implementación técnica de flujos de trabajo de publicación, la definición de modos de entrada de datos y la conexión de agentes con IA que automatizan el enriquecimiento y la captación de clientes potenciales, creando una plataforma completa para la generación de clientes potenciales B2B que elimina los procesos manuales que consumen mucho tiempo y ofrece resultados basados ​​en datos.

Si quieres aprender:

¿Cómo crear un agente de ventas con IA usando n8n que automatice la generación de leads de principio a fin?

¿Cuál es el proceso paso a paso para crear un flujo de trabajo de gestión de desarrollo de negocio con IA?

¿Cómo automatizar la cualificación de leads y la integración con CRM usando flujos de trabajo y agentes de IA de n8n?

¿Qué herramientas y técnicas te ayudarán a crear un sistema de automatización de ventas B2B escalable?

¿Cómo conectar varios subagentes de IA para gestionar automáticamente la prospección, el enriquecimiento de leads y el contacto con clientes?

¡Entonces esta clase es para ti!

En este tutorial práctico, crearás un gestor de desarrollo de negocio con IA completo usando flujos de trabajo de n8n que automatiza todo tu embudo de ventas. Crearás un sistema inteligente que se activa al subir un archivo ICP (Perfil de Cliente Ideal) a Google Drive, el cual extrae automáticamente los datos y coordina tres subagentes de IA especializados. El flujo de trabajo integra un agente de prospección que busca clientes potenciales cualificados en internet y predice direcciones de correo electrónico, un agente de RevOps que guarda la información de los clientes potenciales directamente en Pipedrive CRM con la estructura de datos adecuada, y un agente SDR que genera correos electrónicos de contacto personalizados. Aprenderá a configurar el agente de IA con el modelo GPT de OpenAI, configurar las herramientas de flujo de trabajo n8n para cada subagente, redactar descripciones de herramientas eficaces para la orquestación de la IA e implementar la lógica automatizada de generación y cualificación de clientes potenciales. Este caso práctico demuestra la automatización de ventas B2B, mostrándole cómo conectar activadores de Google Drive, nodos de extracción de PDF y múltiples herramientas de flujo de trabajo en un sistema cohesivo impulsado por IA que elimina las tareas de ventas manuales y tediosas, manteniendo la personalización y la toma de decisiones basada en datos.

Si quieres aprender:

- ¿Cómo crear un sistema de IA multiagente que automatice el desarrollo de negocio, desde la generación de leads hasta el contacto por correo electrónico?

- ¿Cómo coordinar múltiples agentes de IA en n8n para que trabajen juntos en flujos de trabajo complejos?

- ¿Cómo integrar herramientas de agentes de IA con plataformas reales como Pipedrive CRM, Gmail y servicios de web scraping?

- ¿Cómo implementar traspasos de agentes y coordinar agentes especializados para la prospección, la gestión de datos y el contacto de ventas?

- ¿Cómo depurar y solucionar problemas en flujos de trabajo multiagente cuando algo no funciona como se espera?

- ¿Cómo crear sistemas de IA autónomos que puedan gestionar procesos de negocio de principio a fin con una mínima intervención humana?

¡Entonces esta clase es para ti!

En esta clase práctica, crearás un sistema completo de desarrollo de negocio multiagente utilizando la automatización de flujos de trabajo de n8n. Configurarás un agente orquestador que coordina tres subagentes especializados: un agente de prospección que busca clientes potenciales con Firecrawl y Hunter.io, un agente de RevOps que almacena la información de los clientes potenciales en Pipedrive CRM y un agente SDL que redacta correos electrónicos de ventas personalizados en Gmail.

Aprenderás a escribir mensajes del sistema eficaces para la orquestación de agentes de IA, a implementar el análisis de salida estructurada para obtener respuestas fiables de los agentes y a configurar las transferencias adecuadas entre agentes. La clase abarca técnicas de depuración prácticas, mostrándote cómo solucionar problemas comunes como asignaciones de campos incorrectas, errores de validación booleana y datos faltantes en los flujos de trabajo de los agentes.

Verás cómo integrar múltiples plataformas, incluyendo Google Drive para activadores de archivos, nodos de extracción de PDF, la API de Pipedrive para operaciones de CRM, Gmail para la automatización de correo electrónico y Pushover para notificaciones. Al finalizar, dispondrá de un sistema de IA autónomo listo para producción que procesa perfiles de clientes ideales, descubre clientes potenciales cualificados, alimenta su base de datos CRM y genera correos electrónicos de ventas listos para enviar, todo ello sin intervención manual. Esta guía completa muestra la arquitectura práctica de sistemas multiagente, estrategias de gestión de errores y las mejores prácticas de automatización de flujos de trabajo para crear aplicaciones de IA con agentes reales.

Si quieres aprender:

¿Cómo crear un agente de IA que registre automáticamente las oportunidades de venta en Pipedrive?

¿Cuál es la mejor manera de integrar n8n con Pipedrive para la automatización de CRM?

¿Cómo usar las salidas estructuradas con agentes de IA para crear flujos de trabajo fiables?

¿Qué herramientas necesitas para automatizar tu embudo de ventas con inteligencia artificial?

¿Cómo configurar los activadores de webhook para los flujos de trabajo de los agentes de IA en n8n?

¡Entonces esta clase es para ti!

En este tutorial paso a paso, crearás un agente de IA para ejecutivos de cuentas usando n8n que registra automáticamente las oportunidades de venta en Pipedrive. Aprenderás a crear un subagente de registro de oportunidades que utiliza el modelo de chat de OpenAI (GPT-4) para identificar clientes en tu base de datos de Pipedrive y crear registros de oportunidades cuando los prospectos muestran interés. El flujo de trabajo muestra cómo integrar Pipedrive con los agentes de IA de n8n usando ambas herramientas y salidas estructuradas para lograr la máxima fiabilidad. Configurarás el agente para recuperar personas de Pipedrive, usar el análisis de salida estructurada para validar los datos del cliente con cuatro campos clave (encontrado, ID, empresa y nombre) y crear automáticamente oportunidades de venta según la respuesta de la IA. El tutorial abarca la configuración de la lógica condicional con nodos if, el uso de expresiones para gestionar la salida JSON, la asociación de oportunidades de venta con ID de persona y la conversión del flujo de trabajo en un subagente activado por webhook que puede ser llamado por otros flujos de trabajo. También implementarás notificaciones push para realizar un seguimiento de la ejecución del flujo de trabajo y aprenderás las mejores prácticas para equilibrar las herramientas de IA con las salidas estructuradas en la automatización de producción. Al finalizar, tendrás un agente de ventas de IA completamente funcional que optimiza tu embudo de ventas y automatiza las tareas de CRM en Pipedrive.

Si quieres aprender:

¿Cómo integro Google Calendar con un agente de IA en n8n?

¿Cómo creo un sistema de reservas automatizado que compruebe la disponibilidad y programe demostraciones?

¿Cuál es la mejor manera de crear un agente de programación con IA que proteja los datos privados del calendario?

¿Cómo utilizo las plantillas de flujo de trabajo de n8n para automatizar las reservas del calendario con OpenAI?

¿Cómo creo un agente de reservas para demostraciones que gestione la programación de citas automáticamente?

¿Cuáles son los pasos para crear una integración de calendario con IA usando n8n y GPT?

¡Entonces esta clase es para ti!

En este completo tutorial paso a paso, crearás un subagente de reservas para demostraciones totalmente funcional utilizando la automatización del flujo de trabajo de n8n y la integración con Google Calendar. Aprende a configurar un agente de IA con OpenAI GPT que compruebe de forma inteligente la disponibilidad del calendario y cree citas de reserva automáticamente. Este tutorial práctico te muestra cómo configurar las credenciales de Google Calendar mediante OAuth 2, implementar dos herramientas esenciales para comprobar la disponibilidad y crear eventos, y proteger los datos confidenciales del calendario a la vez que expones la funcionalidad de reservas. Descubrirás cómo estructurar las indicaciones del agente de IA con mensajes del sistema, analizar las salidas en formatos estructurados y gestionar escenarios de éxito o fracaso con lógica condicional. El flujo de trabajo incluye activadores de webhook para la integración con otros sistemas, nodos de respuesta para obtener retroalimentación en tiempo real y lógica empresarial para garantizar una automatización de reservas fiable. Al finalizar, tendrás un agente de programación de IA funcional que puede negociar franjas horarias, verificar la disponibilidad dentro del horario laboral y generar eventos de calendario con detalles de ubicación y resúmenes, todo ello manteniendo los estándares profesionales y la seguridad de los datos de tus sistemas de reservas.

Si quieres aprender:

¿Cómo crear un agente de voz con IA que gestione automáticamente las llamadas de ventas entrantes?

¿Cómo conectar los agentes de voz conversacionales con IA de ElevenLabs con la automatización de flujos de trabajo de n8n?

¿Cuál es la mejor manera de integrar los agentes de voz con tu CRM y calendario?

¿Cómo configurar las indicaciones y herramientas del agente para la interacción con el cliente en tiempo real?

¿Pueden los agentes de voz con IA programar demostraciones y registrar acuerdos sin intervención humana?

¡Entonces esta clase es para ti!

Esta clase te muestra cómo crear un agente de voz con IA para ejecutivos de cuentas totalmente funcional utilizando ElevenLabs y la automatización de flujos de trabajo de n8n. Aprenderás a crear un agente de voz conversacional con IA que gestione las llamadas de ventas entrantes, recopile información del interlocutor, registre acuerdos en Pipedrive CRM y programe citas para demostraciones en Google Calendar, todo en tiempo real.

Este tutorial abarca todo el proceso de configuración: configurar el agente de ElevenLabs con una solicitud de sistema estratégica, integrar dos herramientas basadas en webhooks (registro de acuerdos y reserva de demostraciones) y conectar los flujos de trabajo de n8n al agente de voz. Aprenderá a configurar los parámetros de la solicitud del agente, establecer las propiedades del cuerpo del mensaje para el nombre y la franja horaria, y conectar un número de teléfono para que su agente de voz con IA esté operativo.

Esta sesión práctica le mostrará cómo automatizar todo el flujo de trabajo del ejecutivo de cuentas con sus agentes de voz con IA, desde el contacto inicial hasta la creación de acuerdos y la programación de citas. Aprenderá técnicas de resolución de problemas, la integración correcta de webhooks entre ElevenLabs y n8n, y cómo configurar herramientas que permitan a su agente de voz con IA interactuar con múltiples sistemas simultáneamente. Al finalizar, tendrá un agente de voz funcional capaz de gestionar llamadas reales de clientes potenciales y registrar automáticamente las interacciones en su CRM, además de programar reuniones en su calendario.

Si quieres aprender:

¿Cómo implementar con éxito un sistema completo de agentes de IA que automatice tareas empresariales reales?

¿Qué se necesita para crear agentes de IA con n8n que puedan gestionar acuerdos de CRM, programar demostraciones e interactuar con los clientes por voz?

¿Cómo crear un flujo de trabajo de automatización de IA completo que integre múltiples herramientas como Pipedrive, Google Calendar y ElevenLabs?

¿Cuáles son los pasos clave para crear una agencia de automatización de IA utilizando plataformas sin código y agentes de voz con IA?

¿Cómo transformar semanas de desarrollo en horas utilizando agentes de IA de n8n y automatización de flujos de trabajo?

¡Entonces esta clase es para ti!

En este resumen del curso, verás una demostración en vivo de un sistema de agentes de IA completamente funcional creado con n8n que gestiona automáticamente las llamadas de los clientes, crea acuerdos de CRM en Pipedrive y programa citas para demostraciones en Google Calendar. Verás la arquitectura completa con dos agentes de IA principales (un gerente de desarrollo de negocios y un ejecutivo de cuentas), apoyados por cinco subagentes que trabajan en seis integraciones externas y siete llamadas LLM. Este tutorial paso a paso revela cómo crear agentes de IA con n8n y ElevenLabs que generan un impacto empresarial medible en horas en lugar de meses. Aprenderá técnicas de automatización de flujos de trabajo para integrar capacidades de IA en múltiples plataformas, comprenderá cómo implementar soluciones de IA que procesan datos estructurados y no estructurados, y descubrirá cómo crear una oferta de agencia de automatización de IA. La lección cubre todo el proceso de tres semanas, desde los conceptos básicos de automatización hasta temas avanzados como flujos de trabajo RAG, integración de MCP, ingeniería de contexto y subagentes. Obtendrá información profesional sobre cómo probar y evaluar la efectividad de los agentes de IA, extender los flujos de trabajo para la automatización de correo electrónico e integración con Slack, y crear motores de ventas automatizados. Ya sea que busque automatizar tareas repetitivas para su negocio, integrar la IA en flujos de trabajo existentes u ofrecer servicios de automatización de IA a clientes, esta demostración práctica le muestra exactamente cómo los agentes de IA de n8n y la automatización de voz pueden transformar sus procesos comerciales y generar nuevas oportunidades de ingresos.