El costo real de gestionar infraestructura
Delphi es una plataforma que convierte el conocimiento de una persona en una mente digital con la que puedes conversar. Con 10 ingenieros, ningún rol dedicado a infra, y producto y diseño desplegando código, el equipo necesitaba un backend que siguiera el ritmo de las demandas de los usuarios.
El frontend corría en Vercel desde el día uno. El backend corría en AWS con ECS, Docker Desktop y bases de datos locales. Funcionaba al inicio, pero llevar a un ingeniero nuevo a su primer deploy tomaba un día completo de configuración de entorno. Se podía arreglar en AWS, pero eso significaba diseñar y gestionar infraestructura que el equipo no quería gestionar.
"No podíamos seguirle el ritmo a la IA con nuestra infraestructura anterior. Si a un humano le tomaba ocho horas resolverlo, un agente habría renunciado." — Spencer Schoeben, ingeniero fundador de Delphi
Para entender mejor cómo los agentes de IA están transformando el trabajo de conocimiento, checa nuestro análisis sobre el segundo cerebro organizacional y la arquitectura de conocimiento experto.
Workflows y Queues hicieron posible la migración
Cuando se fundó Delphi, Vercel Workflows y Vercel Queues no existían. Sin ellos, la migración habría sido mucho más difícil, si acaso posible. El backend de Delphi depende de trabajo de larga duración y jobs en background en cola: agentes durables que generan contenido por adelantado, más la ingesta que convierte los libros y charlas de una persona en un grafo de conocimiento.
Workflows maneja el trabajo de larga duración. Queues maneja los jobs en background. Ninguno requiere configuración. El dev escribe el workflow o el handler de cola como una función en el código, y Vercel aprovisiona lo necesario al desplegar.
Fíjate en la forma de un handler de cola típico en un backend Python:
# queue_handler.py
# Handler de Vercel Queues: procesa jobs de ingesta para una mente digital
from vercel.queues import QueueHandler
from app.services.ingestion import build_knowledge_graph
handler = QueueHandler("ingest-mind")
@handler.process
def process_ingestion(message: dict) -> None:
# message contiene mind_id y source_urls
mind_id = message["mind_id"]
sources = message["sources"]
build_knowledge_graph(mind_id=mind_id, sources=sources)
Y un workflow que genera contenido por adelantado:
# workflow.py
# Vercel Workflows: generación de contenido durable y de larga duración
from vercel.workflows import workflow, step
@workflow
def generate_mind_content(mind_id: str) -> None:
transcript = step(fetch_transcript, mind_id)
summary = step(summarize, transcript)
step(store_summary, mind_id, summary)
El punto clave: la infraestructura no es un archivo que mantienes. Es un efecto secundario de desplegar una función. Eso fue lo que permitió al equipo de Delphi dejar de tratar los cambios de backend como releases pesados.
100+ deploys al día, directo a producción
Mover el backend a Vercel dejó que Delphi se saltara staging y desplegara 100+ veces al día detrás de feature flags, corriendo tests A/B en vez de agrupar cambios en un release. La detección de anomalías de Vercel Agent vigila producción a ese ritmo, marcando cuándo algo se está portando mal y por qué.
Los preview deployments son cómo los agentes revisan su trabajo
Los ingenieros de Delphi le pasan problemas a agentes en la nube, con muy poco desarrollo local. El preview deployment es donde ven por primera vez lo que construyó el agente. Cada push obtiene su propia URL en vivo, así que cualquiera puede revisar el resultado desde el celular o un hilo de Slack sin hacer pull de la rama.
Cuando un agente falla, normalmente es porque no pudo acceder a la información que necesitaba. Vercel expone datos y controles por el SDK, MCP y CLI, así que un agente puede leer logs, inspeccionar un deploy o cambiar una variable de entorno con la herramienta que esté usando.
Un agente interno en Sandbox para customer success
Un agente interno en Vercel Sandbox simplifica el trabajo con el código. El equipo de customer success usa Slack para preguntarle sobre problemas reportados, encontrar la causa y entregar al ingeniero la raíz del problema y una corrección propuesta. Sandbox le da al agente un entorno aislado con sistema de archivos, donde puede hacer checkout del código, correrlo y traer los datos que la pregunta necesite.
AI Gateway elige el modelo para cada mente
Cada mente digital es distinta, y algunas salen mejor en un modelo que en otro. Delphi elige el modelo para cada cliente y ajusta conforme sus evals cambian. Cuando sale un modelo nuevo, open-source o no, Delphi puede rutear a él el mismo día. Gateway también maneja el failover, que antes requería alinear capacidad de fallback con un proveedor de modelo en otras nubes.
Comparación: stack viejo vs. nuevo
| Preocupación | Viejo (AWS + ECS) | Nuevo (Vercel) |
|---|---|---|
| Onboarding al primer deploy | ~1 día completo | Minutos |
| Paso de staging | Obligatorio | Omitido, feature flags |
| Frecuencia de deploy | Releases agrupados | 100+ / día |
| Trabajo de larga duración | Autogestionado | Workflows |
| Jobs en background | Autogestionado | Queues |
| Herramientas para agentes | Ad-hoc | SDK, MCP, CLI |
| Ruteo de modelos | Configuración manual | AI Gateway |
Para ver cómo una plataforma competidora de agentes maneja trabajo real en la cuenta, checa el review del asistente de dashboard con IA Cloudflare Agent Lee.
Limitaciones y precauciones
Esta configuración no es respuesta universal. Algunos puntos para pesar antes de copiarla:
- Acoplamiento con el proveedor: Workflows, Queues, Sandbox y AI Gateway son primitivas de Vercel. La portabilidad es limitada, y el costo de migración crece con el uso.
- Cold starts y límites de ejecución: Los agentes de larga duración siguen chocando con límites de la plataforma. Verifica techos de timeout y memoria contra tu carga antes de comprometerte.
- Debug orientado a agentes: Cuando los agentes son los principales usuarios de logs y CLI, la observabilidad humana puede degradarse. Mantén dashboards y alertas para humanos, no solo para agentes.
- Disciplina de feature flags: Saltarse staging solo funciona si flags, tests y detección de anomalías están maduros. Sin eso, 100 deploys al día se vuelven 100 incidentes al día.
Próximos pasos
- Mapea tus jobs actuales de backend en categorías de larga duración vs. cola antes de elegir una plataforma.
- Prototipa un workflow y un handler de cola en la plataforma objetivo antes de migrar cualquier otra cosa.
- Invierte en entornos de preview y detección de anomalías temprano; son prerrequisitos, no lujos, para alta frecuencia de deploy.
- Lee el relato original completo: blog de Vercel sobre el backend Python de Delphi.
El siguiente capítulo de Delphi es construir la interfaz más allá del chat: una página de búsqueda donde traes una pregunta, recibes perspectivas de varias mentes a la vez, y la página se adapta a quién eres. Ese trabajo corre como agentes de larga duración en Workflows, con AI Gateway surtiendo el modelo que cada experimento pida. El patrón para robar: vuelve la infraestructura invisible, para que el equipo gaste energía en el producto.