Agent Chaining y Buffer Social: De la Nota a LinkedIn con Fricción Cero
📄 Abrir Edición PDFEl Desafío (Síntoma)
La creación de contenido técnico y su posterior promoción social requerían excesiva intervención manual. Obligar a un único Small Language Model (SLM) local a actuar como ingeniero técnico y como copywriter de marketing simultáneamente provocaba alucinaciones, saturación de la ventana de contexto y pérdida de formato. Además, publicar inmediatamente saturaba las redes sociales.
La Maniobra (Lógica)
Se implementó el patrón de Agent Chaining (Encadenamiento de Agentes). El Agente Bibliotecario (merci-librarian.py) estructura el documento técnico y, al finalizar, invoca programáticamente al Agente Blogger (merci-blogger.py), pasándole el control y calculando matemáticamente la URL canónica de destino. El Blogger redacta un teaser comercial y lo sella en el YAML Frontmatter con el metadato estado_social: "en_cola". Finalmente, un demonio en el sistema operativo (Cronjob) ejecuta merci-linkedin.py --auto cada 3 días para consumir este Buffer Social de forma asíncrona.
El Aprendizaje / Deuda Técnica
Separation of Concerns (Separación de Responsabilidades) aplicado a la Inteligencia Artificial. Los modelos locales rinden de manera espectacular cuando se les asigna una micro-tarea con un System Prompt hiperespecializado. Orquestar el flujo conectando agentes a través de scripts en Python y usar el YAML como una Máquina de Estados transforma un simple repositorio de código en una plataforma completa de Developer Relations (DevRel) 100% privada y a coste cero.