De una idea a un agente que recuerda, usa tools y entrega.
Una experiencia práctica para construir un asistente en EC2, conectarlo a Telegram y ampliar sus capacidades con Composio.

Una experiencia práctica para construir un asistente en EC2, conectarlo a Telegram y ampliar sus capacidades con Composio.


Hermes combina modelo, memoria, instrucciones, herramientas y canales para convertir una conversación en trabajo verificable.
Responde una pregunta y depende del contexto de ese momento.
Recuerda, usa tools, trabaja por pasos y deja evidencia.

El modelo toma lenguaje, lo parte en piezas, mira el contexto y predice una salida que estadisticamente tiene sentido.
Tu pregunta, instrucciones y contexto.
Relaciones aprendidas entre ideas, palabras y formatos.
Una salida probable, util, pero no infalible.

La meta del laboratorio es construir un sistema pequeño, seguro y explicable: desde EC2 hasta una acción real ejecutada con una herramienta.
Ubuntu en EC2 con red y acceso controlados.
Modelo, memoria, tools y reglas configuradas.
Telegram como interfaz cotidiana.
Apps conectadas mediante OAuth y MCP.
Resultado, logs, límites y explicación.

El entrenamiento crea un modelo que reconoce relaciones en lenguaje. En el uso diario, el modelo no “busca en su memoria humana”: recibe tu contexto y genera una respuesta probable.
Mucho texto, codigo, ejemplos y formatos.
Aprende relaciones entre palabras, ideas y estructuras.
Tu pregunta le da objetivo, contexto y restricciones.
Calcula una salida token por token.
El humano verifica, corrige y decide.

Esas piezas se llaman tokens. La “ventana de contexto” es la cantidad de tokens que el modelo puede mirar para responder.
Lo que le das: pregunta, archivos, instrucciones, ejemplos.
El espacio mental disponible para trabajar.
La respuesta generada token por token.

Un buen encargo no es largo por ser largo. Es especifico: objetivo, audiencia, nivel, fuentes, criterios de exito y formato esperado.


La diferencia esta en dejar de pedir solo explicaciones y empezar a pedir estructuras que otras herramientas puedan ejecutar, publicar o convertir en producto.
Explicaciones, ideas, resumenes, guiones y planes.
Tablas, checklists, JSON, prompts reutilizables y criterios.
HTML, Apps Script, flujos n8n, scripts y prototipos publicables.

ChatGPT fue entrenado con mucho lenguaje, pero tambien con mucho codigo. Y todos los programas son codigo: paginas, automatizaciones, dashboards, formularios y bots.
“Quiero una pagina para mi proyecto.”
HTML, CSS, JavaScript, Apps Script o JSON.
GitHub, Netlify, Cloudflare, Apps Script o n8n.

De las presentaciones de prompting: el patron que mas mejora respuestas es darle a la IA el encargo completo y pedirle que no avance si falta informacion.
Que queres lograr.
Para quien, por que y con que datos.
Tabla, codigo, slide, guion o checklist.
Como se ve un buen resultado.
Que te pregunte antes de inventar.

Esta es la tecnica mas facil para principiantes: pedir el resultado y luego pedirle a ChatGPT todas las preguntas necesarias antes de producirlo.
Quiero crear [resultado]. Antes de hacerlo, haceme todas las preguntas necesarias para entender objetivo, publico, contexto, fuentes, formato, estilo y criterios de exito. Cuando tengas suficiente informacion, proponeme un plan y despues produci la primera version.

Por eso las alucinaciones son peligrosas: una respuesta puede tener estructura perfecta, tono seguro y datos falsos.

Si el contexto es pobre, la respuesta suele ser generica. Si el contexto tiene objetivo, audiencia, criterios y formato, el resultado mejora.
Que sabe el modelo antes de responder.
Lo que vos usas para dirigir y revisar.

A veces produce datos falsos con mucha seguridad.
Responde cuando deberia pedir mas contexto.
Si solo pedis respuestas finales, pensas menos.
La pregunta correcta: como hago que la IA me entrene para entender, producir y decidir mejor.

Te hace mejores preguntas, te exige explicar, te da feedback y te muestra puntos ciegos.
Dejas que la herramienta piense por vos. Copias sin entender, aceptas sin revisar y perdes habilidad.


Un entrenador no juega por vos: te exige, te corrige, te pone ejercicios y te ayuda a mejorar.
Que te evalúe antes de darte la respuesta.
Que detecte fallas en tu argumento.
Que cree ejercicios y suba la dificultad.


No basta con ver una demo. Cada estudiante instala, configura, prueba, corrige y explica un agente propio.
Definir propósito, usuario, datos y límites.
Configurar infraestructura, modelo y tools.
Ejecutar un flujo y enseñar la evidencia.

Elegí un problema pequeño y concreto. El agente debe investigar, organizar o ejecutar un paso útil; el humano decide y verifica.
Busca fuentes, extrae datos y entrega un resumen con enlaces.
Convierte objetivos en tareas, documentos y seguimiento.
Consulta apps conectadas y prepara una acción para aprobación.

Tutor, preguntas, ejercicios y feedback.
Fuentes, comparación y síntesis verificable.
Archivos, código, documentación y deploy.
Apps, calendarios, mensajes y flujos con aprobación.

El modelo no adivina tu organización. Definí instrucciones, fuentes, permisos, herramientas disponibles y condiciones de éxito.
Qué problema resuelve y para quién.
Archivos, memoria y conocimiento del proyecto.
Qué puede leer, crear o modificar.
Aprobaciones, límites y privacidad.
Cómo comprobamos que terminó bien.


La diferencia no es solo el modelo. Es la arquitectura alrededor del modelo.
Objetivo, contexto y restricciones.
Razona, consulta memoria y elige tools.
Acción, archivo, respuesta y evidencia.

Comprende lenguaje, decide el siguiente paso y redacta.
Definen rol, tono, reglas y criterios de salida.
Conserva continuidad útil entre sesiones.
Permiten buscar, leer, ejecutar, crear y conectar.
Lleva el agente a Telegram, Discord, Slack, WhatsApp, Signal o email.
Aprueba decisiones sensibles y verifica resultados.

Hermes separa conversación, memoria, herramientas, sesiones y ejecución. Eso permite observar, limitar y mejorar el sistema.
Contexto activo y límites de una conversación.
Archivos, proyectos y fuentes de trabajo.
Modelo, memoria, toolsets, permisos y canales.

Cada flujo debe dejar trazabilidad suficiente para responder cuatro preguntas.
Prompt, archivos y contexto.
Plan, modelo y herramienta.
Archivo, app, registro o mensaje.
Lectura posterior, prueba o recibo.

Una buena instrucción no solo describe personalidad: establece autoridad, fuentes, límites, escalamiento y criterios de finalización.
Rol: asistente de investigación para estudiantes.
Objetivo: producir respuestas verificables con fuentes.
Tools: web y archivos; no enviar mensajes externos.
Freno: pedir aprobación antes de cualquier cambio.
Cierre: entregar resultado, evidencia y próximo paso.
La memoria sirve cuando distingue perfil, decisiones durables, contexto del proyecto y conversación temporal.
Preferencias, objetivos y forma de trabajar.
Decisiones, enlaces, estado y próximos pasos.
Lo necesario para resolver el trabajo actual.

Puede vivir en una laptop o una VM, conversar por varios canales, ejecutar tools, programar tareas y delegar trabajo.
CLI, Telegram, Discord, Slack, WhatsApp, Signal y email.
Web, terminal, archivos, browser, media y automatización.
Procedimientos reutilizables que capturan experiencia.
Subagentes para trabajos paralelos y aislados.

El agente combina archivos, herramientas, memoria y ejecución para mantener un proyecto en movimiento.
Lee, compara, crea y corrige entregables.
Ejecuta comandos y valida resultados.
Navega interfaces cuando una API no basta.
Programa tareas con entrega por canal.


Qué debe quedar terminado.
Qué puede usar como verdad.
Qué puede hacer sin preguntar.
Qué requiere aprobación.
Cómo demuestra que terminó.


Buscar, extraer y contrastar información.
Comandos, procesos, lectura y edición.
Automatización visual, visión, imagen y voz.
Memoria, cron, skills, clarificación y delegación.

Gestiona autenticación y expone acciones como tools. Hermes decide cuándo usarlas; el humano controla cuentas, permisos y aprobaciones.
Entiende el objetivo y selecciona una acción.
Resuelve conexión, toolkit y autenticación.
Devuelve datos o ejecuta el cambio autorizado.

Hermes organiza el trabajo. Composio conecta aplicaciones. Los toolkits convierten intención en acciones concretas.
Modelo → Hermes → MCP → Composio → toolkit → tool → app → verificación.
AWS puede apoyar infraestructura; Cloudflare sirve para hosting/deploy visible, dominios y publicar artifacts web.


Ubuntu 24.04, t3.medium y disco cifrado.
SSH desde My IP y llave .pem protegida.
Instalación, modelo, memoria y toolsets.
Telegram conectado y servicio persistente.
MCP remoto, OAuth y tools seleccionadas.

Cada toolkit representa una aplicación; cada cuenta conectada autoriza un alcance; cada tool ejecuta una operación específica.
Gmail, Google Drive, Calendar, GitHub, Notion, Slack y más.
La cuenta exacta y sus permisos OAuth.
Buscar correo, crear evento, leer archivo o abrir issue.

Encontrar archivos, leer metadatos y descargar fuentes.
Buscar y resumir mensajes sin enviarlos.
Consultar disponibilidad antes de crear eventos.
Leer repos, issues y estado antes de escribir.
Principio: descubrir → inspeccionar esquema → probar lectura → pedir aprobación → escribir una vez → verificar.

Qué agente estamos construyendo.
Qué datos puede consultar.
Qué pasos debe seguir siempre.
Qué acciones nunca toma solo.

Rol, objetivo, tono, límites y criterio de éxito.
Usuario, proyecto, decisiones y continuidad.
Toolsets de Hermes y MCP de Composio.

Drive → encontrar evidencia → crear brief.
Web → contrastar fuentes → entregar síntesis.
GitHub → leer issue → proponer plan y prueba.

Qué necesidad concreta resolvimos.
Qué instrucciones y tools usamos.
Qué archivo, acción o recibo demuestra el resultado.

Instalado y accesible por Telegram.
Activados con el mínimo necesario.
Una cuenta conectada y una tool probada.
Flujo, evidencia, límites y explicación.


Hermes aporta el sistema. Composio abre las conexiones. Vos aportás el criterio, la responsabilidad y el propósito.
