Introducción: En el reto HNG Stage 3 desarrollamos DevCoach, un agente de aprendizaje personalizado diseñado para integrarse con Telex.im mediante el protocolo Agent-to-Agent A2A. A diferencia de un bot de preguntas y respuestas, DevCoach mantiene estado: rastrea el tema de aprendizaje elegido por el usuario, la duración del curso y el progreso diario. Este requisito nos obligó a centrar el diseño en la memoria del agente y en el cumplimiento estricto del protocolo A2A.
Diseño del agente con Mastra y Memory: Para la lógica del agente usamos Mastra y TypeScript. La pieza central de DevCoach es su memoria persistente, implementada con las capacidades de Memory de Mastra para guardar claves como topic, maxDays y currentDay. Gracias a esta memoria interna el agente puede ofrecer una experiencia progresiva y personalizada en múltiples turnos. El sistema de instrucciones obliga a que el agente primero recopile tema y duración antes de entregar la tarea del primer día, lo que garantiza coherencia en la experiencia de aprendizaje.
Integración con Telex.im mediante A2A: La integración con Telex exigió producir respuestas en formato JSON-RPC 2.0 sobre HTTPS. Como Mastra no emite por defecto ese payload exacto, implementamos un handler personalizado que actúa como puente A2A. Este componente se encarga de parsear la petición entrante de Telex, extraer el mensaje del usuario y el historial conversacional, ejecutar la generación en el agente Mastra y formatear la respuesta final según el esquema A2A, incluyendo el estado de la tarea y los artefactos esperados por Telex.
Despliegue y depuración: Elegimos Railway por su flujo CI/CD y estabilidad para servicios Node.js. El endpoint A2A se generó automáticamente con el nombre del agente. Durante las pruebas iniciales detectamos un error crítico de configuración: faltaba la variable de entorno GOOGLE_GENERATIVE_AI_API_KEY requerida por el modelo google/gemini-2.5-pro. Aunque otras claves estaban presentes, el modelo exigía esa credencial específica. La solución fue simple: añadir la variable de entorno correcta en Railway y volver a desplegar. Tras corregir esto el agente funcionó sin incidencias, confirmando que la integración y la lógica del agente estaban correctamente configuradas.
Resultados y conclusiones: DevCoach demostró que es posible construir agentes IA con memoria persistente y cumplimiento A2A usando Mastra y un handler personalizado, ofreciendo una experiencia de aprendizaje verdaderamente personalizada que va más allá del simple chat. Este tipo de proyectos encaja con los servicios que ofrecemos en Q2BSTUDIO, especialistas en desarrollo de software a medida y en soluciones avanzadas de inteligencia artificial para empresas. En Q2BSTUDIO diseñamos aplicaciones a medida y software a medida que integran agentes IA, automatización de procesos y capacidades de inteligencia de negocio como power bi para potenciar decisiones basadas en datos.
Servicios relacionados: Si buscas desarrollar un agente IA personalizado o integrar soluciones de inteligencia artificial en tus productos consulta nuestros servicios de servicios de inteligencia artificial y nuestras ofertas de aplicaciones a medida. También cubrimos ciberseguridad y pentesting, servicios cloud aws y azure, servicios inteligencia de negocio y consultoría en ia para empresas, siempre orientados a entregar software y soluciones seguras, escalables y enfocadas en resultados.
Entregables: El proyecto incluyó el agente DevCoach desplegado y el código fuente en un repositorio público, además de documentación sobre la integración A2A y las pruebas realizadas. Si te interesa replicar o adaptar este enfoque para tu empresa, en Q2BSTUDIO podemos asesorarte en la arquitectura, la implementación y el despliegue en entornos cloud como AWS y Azure, garantizando cumplimiento y seguridad.
.jpg)