Qué hace
- Acelera investigación y primeros borradores
- Mantiene visibles fuentes y restricciones
- Entrega una estructura rápida de revisar
Sistema de IA y agentes
BlogAgent
Un flujo editorial con IA que convierte un tema en un borrador de blog estructurado, investigado y listo para copiar, con revisión humana antes de publicar.
BlogAgent combina agentes LLM acotados con contratos deterministas para investigación, validación de candidatos, redacción, revisión y control de la salida final.
Resumen del proyecto
El proyecto de un vistazo
Empieza aquí: tipo de proyecto, uso, mi rol, stack de trabajo y estado actual.
- 01Tipo
- Herramienta editorial interna
- 02Rol
- Arquitectura, producto, UX, backend, evaluación
- 03Stack
- Python, FastAPI, LLM workflow, deterministic validation, mock/live providers
- 04Estado
- Public repo / portfolio case study
- 05Año
- 2026
01 / Problema
Texto fluido no significa borrador fiable
La mayoría de generadores de blogs con IA producen texto fluido, pero no demuestran si las fuentes existen, si las recomendaciones son entidades reales o si el artículo respeta el número prometido en el título. En un post tipo “5 mejores X”, un fallo pequeño - un autor confundido con un producto, una lista con 6 elementos cuando promete 5, o una cita sin soporte - convierte un borrador útil en contenido poco fiable.
BlogAgent nace para resolver ese hueco: no solo escribir, sino controlar el flujo entre investigación, candidatos, redacción, revisión y salida final.
02 / Objetivo de producto
Copy-ready, no autopublicado
El objetivo no era crear una herramienta de autopublicación. BlogAgent está diseñado como una herramienta interna para generar borradores copy-ready: textos que puedo copiar en mi editor de blog, revisar, ajustar ligeramente y publicar manualmente.
Qué no hace
- Publicar contenido
- Programar o enviar
- Eliminar el criterio editorial
El valor es velocidad más evidencia y control, no automatización sin supervisión.
03 / Decisión de arquitectura
Workflow primero, agentes donde aportan valor
La arquitectura combina pasos deterministas con agentes LLM acotados. El código controla el orden, los límites, los contratos, la validación y las decisiones finales. Los modelos se usan para planificación, síntesis, redacción y revisión, pero no para decidir libremente qué cuenta como válido.
- 01Tema
- 02Query Contract
- 03Investigación / Search
- 04Calidad de fuentes
- 05Candidate Ledger
- 06CandidatePack
- 07Writer
- 08Reviewer
- 09Revisión / Repair
- 10Final Answer Contract
- 11Borrador copy-ready
04 / Componentes principales
Contratos alrededor de la redacción
Query Contract
Fija tipo de tarea, dominio, cantidad solicitada, tipo de entidad y restricciones antes de redactar.
Candidate Ledger
Extrae entidades posibles y rechaza fragmentos, bylines, fechas, títulos de fuente, clusters de marca y candidatos mal formados.
CandidatePack
Bloquea el conjunto exacto de recomendaciones que el writer puede utilizar.
Writer Agent
Redacta el artículo dentro de la estructura bloqueada y del perfil de tono seleccionado.
Reviewer / Revision Plan
Comprueba contrato, fidelidad al CandidatePack y si hace falta reescritura o reparación puntual.
Final Answer Contract
Bloquea cantidades incorrectas, candidatos inválidos, salidas inseguras y estados incoherentes.
05 / Lección de diseño
PERSON != PRODUCTEl fallo “Paul Altieri”
Durante las pruebas, un artículo de recomendaciones de relojes incluyó “Paul Altieri” como uno de los relojes recomendados. No era un reloj, sino una persona asociada a una fuente. Esto expuso el principal riesgo en flujos de recomendación: el writer solo puede ser tan fiable como el conjunto de candidatos que recibe.
La solución no fue otro prompt. Fue una puerta de limpieza de candidatos, un informe de calidad del CandidatePack, poder de veto para el reviewer y un contrato final que impide aprobar un artículo pulido si el conjunto de candidatos es inválido.
06 / Seguridad y control
Conservador por diseño
BlogAgent mantiene los efectos externos y las afirmaciones de alto riesgo fuera del flujo autónomo.
- 01Sin efectos externos
- 02Modo mock por defecto
- 03Proveedores live opt-in
- 04API keys solo en variables de entorno
- 05Finanzas degrada a informes de evidencia
- 06Revisión humana antes de publicar
07 / Evaluación
Validar el workflow, no prometer escritura perfecta
1.100+tests en modo mock
13 / 13evals del workflow
5temas de QA manual
Temas de QA manual
- Relojes de lujo asequibles
- Perfumes de verano
- Herramientas de IA para estudiantes
- Cómo elegir un perfume de verano
- Fallback de seguridad para acciones energéticas
Las evals validan comportamiento del flujo, contratos y límites de seguridad en modo mock. La calidad de búsqueda y modelos live sigue dependiendo de las fuentes y requiere revisión humana.
08 / Resultado
Un sistema de redacción controlado
El resultado es un flujo interno de IA práctico: no un escritor autónomo, sino un sistema de redacción controlado que crea borradores estructurados, conscientes de sus fuentes y copy-ready, con trazabilidad suficiente para revisarlos rápido.
- 01Primeros borradores más rápidos
- 02Mejor estructura
- 03Restricciones de recomendación más claras
- 04Manejo más seguro de finanzas y contenido de alto riesgo
- 05Debug trace para revisión
- 06Ejemplo de portfolio de un workflow agentic acotado
09 / Limitaciones
Lo que sigue deliberadamente sin resolver
- Mock-first por defecto
- Extracción de fuentes heurística
- Candidatos dependientes de la calidad de búsqueda
- Una revisión y una pasada de polish
- Sin capa de persistencia
- Revisión humana todavía necesaria
- No diseñado como SaaS público
10 / Qué aprendí
La mayoría de fallos de escritura eran fallos de workflow
La lección principal fue que la mayoría de fallos de “calidad de escritura con IA” eran en realidad problemas de identidad, conteo, validación y handoff. Cuando el sistema bloqueó candidatos, auditó secciones, dio poder de veto al reviewer y trató el contrato final como fuente de verdad, el agente ganó fiabilidad sin ganar autonomía.