6 semanas construyendo un agente de IA en producción: 3 ideas clave de Tiger Data

El equipo de Tiger Data construyó en 6 semanas Eon, un agente de IA para Slack que usa diariamente el 50% de los empleados de la empresa, y publicó todo el proceso como open source. El enfoque estuvo en la estabilidad real de producción, no en una demo, y la clave fue resolver problemas del mundo real —como mantener el contexto, caídas de APIs y solicitudes concurrentes— más que simplemente hacer llamadas a un LLM.

1. Memoria que entiende el tiempo (Time-Based Memory)

• Slack solo envía mensajes individuales, así que no hay contexto de conversaciones previas. Es difícil procesar preguntas como “¿Qué pasó con eso?”.
• Solución: guardar en tiempo real todos los mensajes de Slack en TimescaleDB junto con su timestamp. Consultar con SQL para entender el contexto → rápido, estable y sin límites de API.

2. Evitar la trampa de los servidores MCP genéricos (Custom MCP Servers)

• MCP (Model Context Protocol): estándar para que los agentes accedan a herramientas externas como GitHub, Linear, etc.
• Problema: los servidores oficiales incluyen muchas herramientas innecesarias, desperdician tokens y hacen complejas las llamadas a la API (requieren varias).
• Solución: crear sus propios servidores MCP optimizados (p. ej., tiger-linear-mcp-server). Con una sola herramienta obtienen toda la información de una vez → mayor eficiencia mediante context engineering.

3. La producción se diseña asumiendo fallas (Failure-Resilient Design)

• Es indispensable responder a crashes, caídas de APIs y picos de tráfico.
• Solución: desarrollar el framework tiger-agents-for-work.
  • Registrar primero los eventos en PostgreSQL → evita pérdidas.
  • Reintentos automáticos (hasta 3 veces, con intervalos de 10 minutos).
  • Pool fijo de workers → limita la concurrencia y procesa la cola.
  • Señalización asíncrona → respuesta en milisegundos.

Open source y guía de inicio

• Publicaron todo el código como tiger-eon. Con un script de instalación se puede desplegar un agente de Slack en 10 minutos.
• Modular: la memoria de Slack, los servidores MCP y el framework pueden usarse por separado (p. ej., tiger-docs-mcp-server para búsqueda en documentación).
• Mensaje clave: los agentes de IA no requieren infraestructura especial; pueden construirse sobre PostgreSQL con procesamiento de eventos resistente, memoria estructurada y herramientas enfocadas.