.jpg)
Construyendo al Mentor del Código: Un Agente de IA que crea hojas de ruta de aprendizaje utilizando Mastra y Telex
Imagina tener un mentor de programación personal disponible las 24 horas. Eso es lo que desarrollé como tarea Stage 3 del HNG: Code Mentor, un agente de IA que genera hojas de ruta de aprendizaje personalizadas y propuestas de proyectos prácticas para cualquier lenguaje de programación. En este artículo explico el proceso de creación del agente con Mastra, su despliegue en la nube y su integración con Telex mediante el protocolo Agent-to-Agent A2A.
Objetivo del proyecto
Crear un agente sencillo y enfocado que: genere hojas de ruta estructuradas adaptadas al nivel del aprendiz, proponga proyectos prácticos para afianzar conocimientos, ofrezca consejos y recursos, y funcione de forma fluida dentro de un espacio de trabajo en equipo como Telex. Restricción clave: mantenerlo simple, sin desviaciones de alcance, sin corrección de código ni depuración, solo hojas de ruta y proyectos.
Tecnologías utilizadas
Mastra como framework de agentes con soporte A2A, Gemini 2.0 Flash como modelo de lenguaje, protocolo A2A para comunicación estandarizada entre agentes y Telex.im para colaboración en equipo. Esta combinación permite rapidez, memoria conversacional integrada y despliegue sencillo.
Configurar Mastra
La puesta en marcha de Mastra es sorprendentemente sencilla. Se crea un agente con unas instrucciones claras y se aprovecha la memoria integrada para mantener contexto entre intercambios. Elegí Gemini 2.0 Flash por su respuesta rápida y su buen nivel en la capa gratuita, ideal para agentes conversacionales.
Definición del agente
La clave está en las instrucciones. Es fundamental ser explícito sobre formato, tono, límites y ejemplos de interacción. Por ejemplo, pedir hojas de ruta en 6 a 8 fases, proponer 4 a 6 proyectos, usar formato claro y lenguaje alentador, y dejar claro lo que el agente no hará: no depurar, no corregir errores ni escribir código completo para el usuario. Con instrucciones bien formuladas se evita ambigüedad y se mejora la utilidad.
Lecciones aprendidas
Instrucciones importan mucho. Al principio el agente era genérico y daba respuestas poco útiles. Añadir ejemplos de formato, emojis y reglas de personalización mejoró notablemente la calidad. La memoria integrada de Mastra facilita mantener contexto sin implementaciones adicionales. Herramientas externas no siempre son necesarias: si el modelo puede generar contenido, no hay que añadir una herramienta que devuelva datos predefinidos. Las herramientas deben reservarse para llamadas a APIs externas, consultas a bases de datos, cálculos complejos o ejecución de código.
Protocolo A2A
El protocolo Agent-to-Agent basado en JSON-RPC 2.0 permite que agentes se comuniquen de forma estandarizada. Implementé una ruta A2A que recibe el payload, valida el formato, transforma los mensajes al formato esperado por Mastra, ejecuta el agente y devuelve una respuesta A2A con el texto generado y artefactos opcionales. Esto facilita la integración con plataformas externas como Telex.
Despliegue y pruebas
Primero probar localmente en el playground de Mastra para validar salud de conversaciones, salud de memoria y ajustes de formato. Una vez listo, desplegar a la nube de Mastra con unas pocas instrucciones y obtener un endpoint A2A. Recomiendo probar ese endpoint con Postman antes de integrarlo en Telex para corregir errores de formato o validación.
Integración con Telex
Crear un workflow en Telex apuntando al endpoint A2A del agente permite invocar Code Mentor desde el espacio de trabajo. El flujo es simple: importar el JSON de workflow en Telex, activar el flujo y llamar al agente desde cualquier chat del equipo con mensajes como Hola Code Mentor, quiero aprender Python o Qué proyectos debo hacer como principiante en JavaScript.
Qué funcionó bien
El scaffolding de Mastra proporciona lo esencial out of the box. Gemini 2.0 Flash resultó rápido y preciso en la generación de contenido. La memoria integrada evitó desarrollos ad hoc. El protocolo A2A estandarizó la comunicación y el despliegue fue directo.
Problemas y soluciones
Riesgo de ampliación de alcance. Intenté añadir depuración y revisión de código y eso complicó las instrucciones y confundió al agente. Solución: volver al núcleo, definir claramente lo que no hace el agente y concentrarse en hojas de ruta y proyectos. Respuestas genéricas. Inicialmente las hojas de ruta eran poco prácticas. Solución: especificar formato, tono, ejemplos y exigir personalización según nivel del usuario.
Conclusiones clave
Empezar simple y validar la propuesta de valor antes de añadir funcionalidades. Dedicar tiempo a redactar instrucciones precisas. Evitar herramientas innecesarias si el LLM puede generar el contenido. Testear con frecuencia en el playground de Mastra y con herramientas como Postman. Aprovechar la estandarización del protocolo A2A para facilitar integraciones.
Sobre Q2BSTUDIO
En Q2BSTUDIO somos expertos en desarrollo de software y aplicaciones a medida, con experiencia en inteligencia artificial, ciberseguridad y servicios cloud como AWS y Azure. Ofrecemos soluciones de inteligencia de negocio y Power BI para convertir datos en decisiones, y desarrollamos agentes IA a medida para automatizar procesos y mejorar la productividad de las empresas. Si buscas desarrollar una aplicación personalizada te recomendamos visitar nuestra sección de . Para proyectos de IA empresarial puedes conocer más en nuestra página de .
Palabras clave
Aplicaciones a medida, software a medida, inteligencia artificial, ciberseguridad, servicios cloud aws y azure, servicios inteligencia de negocio, ia para empresas, agentes IA, power bi.
Recursos
Documentación de Mastra, el protocolo A2A y la plataforma Telex son puntos de partida recomendados para quien quiera replicar este tipo de agente. Si deseas que Q2BSTUDIO te acompañe en la concepción e implementación de un agente IA personalizado, integraciones cloud o proyectos de inteligencia de negocio, contacta con nuestro equipo para una evaluación técnica y propuesta a medida.
