¿Alguna vez intentaste agendar un servicio por mensaje y te quedaste atrapado en ese ida y vuelta interminable de preguntas?
Tamaño del sofá, material, dirección, tipo de limpieza, horario disponible… son varios minutos intercambiando mensajes con un agente hasta finalmente confirmar la cita. En el caso que inspiró este proyecto, el proceso completo de solicitar un presupuesto para la limpieza de un sofá y, después, para la limpieza de un departamento llevó cerca de 15 minutos de conversación. Es frustrante para el cliente y caro para el negocio, que necesita mantener personas disponibles solo para recopilar información básica y confirmar horarios.
Un Agente de IA construido con LangGraph y Python logra resolver exactamente este problema, y lo hace en segundos. No estamos hablando de un chatbot simple que sigue un guion fijo de preguntas, de esos que se traban cuando el usuario responde algo fuera de lo esperado.
Estamos hablando de un agente con estado, capaz de gestionar un proceso de negocio de múltiples etapas al combinar inteligencia conversacional con reglas de negocio determinísticas. Entiende lo que el cliente necesita, calcula precios dinámicamente, propone horarios optimizados y confirma la cita, todo dentro de una conversación natural. La diferencia en la experiencia del usuario es enorme, y la diferencia en el costo operativo también. Mejor aún: una vez en producción, este agente trabaja 24 horas al día, 7 días a la semana, sin pausa.
A lo largo de este artículo vas a ver cómo se construyó este agente en la práctica, pasando por el stack técnico con Python, LangGraph y LangChain, por cómo el proceso de agendamiento fue modelado en un grafo de estados, por la configuración de observabilidad con Langfuse para monitorear todo en producción, y por el potencial real de esta solución como base para un producto comercial. Vale destacar que el código fuente del proyecto está disponible públicamente en GitHub, en el repositorio llamado customer-service-agent, así que puedes clonarlo y probarlo por tu cuenta. Si te interesa ver cómo funcionan los agentes de IA más allá de la teoría, este es un ejemplo bastante concreto de lo que ya se puede construir hoy. 🚀
Qué Hace Realmente Este Agente
Antes de entrar en la parte técnica, vale la pena entender el alcance del agente. Hace todo lo que un agente humano de una empresa de limpieza haría en el día a día. Responde las dudas del cliente y entiende lo que la persona necesita, calcula el precio del servicio e informa ese valor de forma clara, maneja la aceptación o rechazo de la propuesta por parte del cliente, sugiere horarios optimizados para la cita y, finalmente, confirma y registra el compromiso.
Reciba el mejor contenido sobre innovación en su correo electrónico.
Todas las noticias, consejos, tendencias y recursos que buscas, directamente en tu bandeja de entrada.
Al suscribirte al boletín informativo, aceptas recibir comunicaciones de Método Viral. Nos comprometemos a proteger y respetar siempre tu privacidad.
La gran ventaja frente a un formulario tradicional es la flexibilidad. Podríamos construir una herramienta de cotización que haga un conjunto fijo de preguntas y, después de que el cliente apruebe el precio, agende automáticamente. Eso funcionaría, pero obligaría a todos a seguir exactamente el mismo camino rígido.
Con un Agente de IA, la experiencia se vuelve mucho más natural. Imagina un cliente escribiendo algo así: necesito una limpieza para mi departamento de dos habitaciones en esta dirección, quiero también que limpien el interior del refrigerador, y estoy disponible el martes o el miércoles. Ese único mensaje ya contiene toda la información necesaria. Un buen agente entiende que no necesita hacer más preguntas ni obligar al cliente a repetir datos en un formulario, y pasa directo a calcular y presentar el presupuesto. Además, tiene potencial para orquestar operaciones adicionales, como avisar a los profesionales de limpieza sobre nuevas citas o buscar a alguien disponible en la zona para un pedido urgente.
El Stack Detrás del Agente: Python, LangGraph y LangChain
La elección del stack técnico no fue casualidad. Python sigue siendo el lenguaje más maduro para trabajar con inteligencia artificial, especialmente cuando el objetivo es integrar modelos de lenguaje con lógica de negocio real. El ecosistema de librerías, la facilidad de prototipado y la cantidad de profesionales que dominan el lenguaje lo convierten en la opción más práctica para proyectos de este tipo. Además, prácticamente todas las grandes herramientas de IA tienen soporte nativo para Python, lo que elimina capas innecesarias de adaptación.
LangGraph entra como el componente central de la arquitectura. Es una extensión de LangChain diseñada específicamente para construir agentes con control de flujo más sofisticado, usando el concepto de grafos de estado. En la práctica, esto significa que cada etapa de la conversación es un nodo dentro de un grafo, y el agente sabe exactamente en qué punto del proceso de agendamiento se encuentra, qué información ya fue recopilada y cuál es el siguiente paso lógico. La razón principal para usar LangGraph es que el flujo de agendamiento necesita estado compartido y necesita ser retomado a lo largo de varios mensajes del cliente. Por eso, necesitamos un agente con estado, y no un simple flujo lineal.
LangChain, por su parte, funciona como el pegamento entre las piezas. Facilita la integración con los modelos de lenguaje, la gestión de memoria y la creación de las herramientas que el agente utiliza para ejecutar acciones concretas, como verificar disponibilidad de horarios, calcular el valor del servicio con base en la información recopilada o registrar la cita. Juntos, estos tres elementos forman una base técnica lo suficientemente sólida para ir directo del prototipo a un entorno de producción sin grandes refactorizaciones.
Cómo el Proceso de Agendamiento se Convierte en un Grafo de Estados
Modelar el proceso de agendamiento como un grafo de estados es lo que diferencia este enfoque de cualquier chatbot tradicional. En lugar de una secuencia lineal de preguntas preprogramadas, LangGraph permite definir nodos que representan etapas del proceso, como recopilar información del servicio, calcular el precio, proponer horarios y confirmar la cita, y aristas que definen las transiciones entre esos nodos con base en el estado actual de la conversación.
El punto de partida siempre es la interacción entre el cliente y el agente. Conversando, el agente intenta obtener toda la información necesaria para el servicio. El resultado de esa primera charla son los detalles de la cita, que el agente convierte en una salida estructurada para que puedan ser usados después por los mecanismos de precio y de reserva. Esos detalles están representados por una clase en Python, tipada con Pydantic, que contiene campos como el tipo de servicio, el tamaño del ambiente o la cantidad de asientos en el caso de un sofá, la profundidad de la limpieza, los servicios adicionales y la dirección. Todos los campos son opcionales, porque esa misma estructura también representa una extracción parcial de información a lo largo de la conversación.
Un detalle importante es que el agente solo hace una nueva pregunta cuando todavía falta algún dato. Así, es el propio agente quien decide qué sucede a continuación, y ese punto es justamente lo que separa a un Agente de IA de un flujo de trabajo común. En la práctica, si el cliente ya mencionó la dirección al inicio de la conversación, el agente no va a preguntar de nuevo. Si el cliente cambió de opinión sobre el horario, el agente puede retroceder en el flujo sin perder la demás información ya recopilada.
El estado del agente se define como una estructura tipada que lleva los mensajes de la conversación, los detalles de la cita, el precio calculado, las opciones de horario, el horario seleccionado, el estado actual y el identificador de la reserva. LangGraph gestiona este estado durante la ejecución del grafo. Cada nodo lee el estado actual y devuelve actualizaciones parciales, mientras que funciones de enrutamiento condicional inspeccionan ese estado para decidir qué nodo se ejecuta a continuación.
La lógica de cálculo de precio también vive dentro de ese grafo, en un nodo específico que lee los detalles de la cita y devuelve el precio mediante una función determinística en Python. Esto es importante porque garantiza consistencia en las cotizaciones y evita alucinaciones del modelo en etapas donde la precisión es crítica. Después de que el nodo de recopilación de información se ejecuta, una función de enrutamiento condicional verifica si hay datos suficientes para calcular el precio. Si los detalles están completos, la ejecución sigue hacia el nodo de pricing. En caso contrario, el grafo finaliza el turno actual y espera otro mensaje del cliente. Finalmente, el grafo se compila con un checkpointer, que garantiza la persistencia del estado entre las interacciones.
Observabilidad en Producción con Langfuse
Poner un Agente de IA en producción sin observabilidad es como manejar con los ojos vendados. Puede que llegues a destino las primeras veces, pero en cuanto algo salga mal no vas a saber dónde, por qué ni cómo corregirlo. Y es seguro que cualquier sistema en producción tendrá problemas en algún momento, ya sea una línea de producción en una fábrica, un modelo tradicional de machine learning detectando anomalías o un agente de IA en operación. Sin visibilidad sobre lo que pasa dentro del sistema, terminas dependiendo de pura suerte para resolver cualquier cuestión.
Por eso, la configuración de Langfuse fue tratada como parte esencial de la arquitectura desde el inicio, y no como un recurso opcional para agregar después. Langfuse es una plataforma open source de ingeniería de IA diseñada para rastreo, monitoreo, evaluación y depuración de aplicaciones con modelos de lenguaje. El plan gratuito ya es suficiente para probar un proyecto como este: basta generar las claves secreta y pública en el panel de Langfuse y pegarlas en el archivo de variables de entorno, junto con la URL base del servicio.
Con Langfuse integrado a LangGraph vía callbacks de LangChain, es posible visualizar la trayectoria completa de una conversación dentro del grafo de estados. El panel muestra los prompts, las entradas y las salidas, además del uso de tokens y del costo de cada interacción, lo que hace muy fácil detectar cualquier situación inesperada en el presupuesto. Al principio, el panel puede parecer complicado, pero una vez que empiezas a usarlo, todo se vuelve mucho más intuitivo.
Herramientas que usamos a diario
Otro beneficio directo de la observabilidad con Langfuse es el control de costos. Como cada llamada al modelo se registra con el número de tokens utilizados, es fácil identificar nodos del grafo que están consumiendo más de lo que deberían, ya sea por prompts mal optimizados o por llamadas innecesarias al modelo en situaciones donde una función determinística en Python resolvería con mucha más eficiencia. Vale destacar que el costo de ejecutar este agente es prácticamente irrisorio: una sola ejecución completa del flujo cuesta centavos, lo que hace la solución extremadamente viable incluso a escala.
El Potencial Real de Esta Solución
Lo que se construyó aquí va mucho más allá de un ejemplo técnico interesante. El proyecto incluye una interfaz de línea de comandos simple para probar el flujo de agendamiento de principio a fin, pero su diseño modular abre un espacio enorme para mejoras. Cada componente tiene acceso al estado central del agente, lo que facilita bastante la extensión del sistema.
Entre las posibilidades de expansión previstas por el propio creador del proyecto están la adición de interfaces de frontend, como aplicaciones web, apps móviles o plataformas de mensajería como WhatsApp, la integración con una base de datos de producción como PostgreSQL, y conexiones directas con calendarios reales de empleados y servicios basados en ubicación. La combinación de LangGraph, Python y un sistema de observabilidad como Langfuse entrega una base arquitectónica que puede adaptarse a cualquier tipo de servicio que involucre agendamiento con recopilación de información variable, como clínicas, salones de belleza, empresas de mantenimiento, servicios domésticos y consultorías.
Desde el punto de vista del producto, lo que más llama la atención es la experiencia que este enfoque entrega al usuario final. Una conversación natural, sin formularios, sin menús de opciones numeradas, sin ese bot frustrante que no entiende cuando te desvías mínimamente del guion esperado. El cliente describe lo que necesita con sus propias palabras, y el agente recopila todo lo necesario de forma fluida, confirma la cita y cierra la conversación en segundos. Ese nivel de experiencia, que antes requería un agente humano disponible en tiempo real, ahora puede funcionar de forma totalmente automatizada y escalable.
Y esto es solo el comienzo. El propio autor considera esta entrega como una versión inicial, una especie de v0, con planes de agregar más funcionalidades sobre ella. Con la evolución continua de los modelos de lenguaje y de las herramientas como LangGraph, los agentes tienden a ser cada vez más capaces de manejar situaciones complejas, excepciones y preferencias individuales de los clientes. Lo que hoy es una solución para el proceso de agendamiento puede mañana expandirse para incluir reagendamientos automáticos, recordatorios personalizados, historial de preferencias del cliente e integración directa con sistemas de pago, todo dentro de la misma arquitectura de grafo de estados que ya está funcionando. Los cimientos están construidos, y son bastante sólidos. 💪
