La Capa de Inteligencia
La mayoria de los productos de IA envuelven un unico modelo de lenguaje en una interfaz bonita y lo llaman Agente. Nosotros en Neurobro no tenemos nada que ver con estos imitadores. Nuestra infraestructura de Agentes es fundamentalmente diferente.
En lugar de un modelo de proposito general, Neurobro ejecuta 200+ agentes de IA especializados llamados Nevrons. Cada uno esta entrenado para una tarea especifica. Uno analiza la accion del precio. Otro rastrea movimientos de grandes fondos. Y 200 mas hacen su propio trabajo. Colaboran en tiempo real, combinando sus resultados en una capa de inteligencia unificada.
Es un sistema multi-agente donde los especialistas trabajan juntos como un equipo de investigacion.
El Pipeline de Datos
Todo comienza con los datos. Neurobro ingiere multiples capas de inteligencia de mercado de crypto, forex, acciones, mercados de prediccion y otros dominios financieros.
Capa social. Flujos de noticias, X, feeds RSS, publicaciones oficiales, lanzamientos de investigacion y otros canales de comunicacion publica proporcionan la capa narrativa del mercado. Nevrons especializados filtran, agrupan y deduplican este flujo para separar la senal del comentario e identificar lo que realmente esta moviendo la atencion.
Capa tecnica. Accion del precio, volumen, liquidez, momentum, volatilidad y senales de estructura de mercado se rastrean a traves de venues y clases de activos. Las fuentes incluyen proveedores como Coingecko, DexScreener, BlockScout y Alchemy, junto con feeds de datos de exchanges y mercados donde sea relevante.
Capa fundamental. El sistema rastrea el negocio subyacente, protocolo y realidad economica detras de los activos: movimientos de tesoreria, estructura de tokens o acciones, senales de ingresos, actividad del ecosistema, traccion del producto y otros indicadores de fortaleza o debilidad intrinseca.
Capa macro. Impulsores de mercado mas amplios se incorporan al pipeline: tasas, expectativas de inflacion, desarrollos de politica, eventos geopoliticos y correlaciones entre activos. Esto es critico porque los activos individuales raramente se mueven de forma aislada del entorno macro mas amplio.
Memoria historica. Almacenes de vectores [Qdrant primario, Weaviate secundario] y una base de datos de grafos [Neo4j] forman la memoria a largo plazo del sistema. Almacenan comportamiento previo del mercado, contexto especifico de proyectos, patrones recurrentes e inteligencia generada por agentes para que las observaciones actuales puedan interpretarse contra precedentes historicos. Todos los embeddings son impulsados por OpenAI text-embedding-3-large.
Datos de dominio especializado. En mercados donde los datos primarios crudos importan, Neurobro usa pipelines de ingestion dedicados. En crypto, esto incluye transacciones on-chain decodificadas enriquecidas con etiquetas propietarias para precios, liquidez, comportamiento de billeteras y clasificacion de entidades. La validacion human-in-the-loop sigue siendo esencial porque los datos crudos de blockchain son ruidosos y frecuentemente contaminados por transacciones fallidas, spam y actividad de estafa.
El resultado no es una pila de feeds generica sino un pipeline de inteligencia por capas. Aproximadamente el 90% de los datos procesados por el sistema son propietarios, con el 10% restante proveniente de APIs publicas y proveedores externos. Esa asimetria es una parte central de la ventaja.
El Stack de LLMs
Neurobro no depende de un solo modelo. Diferentes tareas requieren diferentes capacidades.
Neurobro usa un stack de modelos multi-proveedor en lugar de depender de un solo vendor. Los modelos de OpenAI soportan orquestacion, razonamiento, embeddings y flujos de trabajo de agentes estructurados. Los modelos de Anthropic se usan donde importa el tool calling fuerte y la ejecucion controlada. Google, xAI, DeepSeek, Meta y otros proveedores estan integrados para tareas como analisis de contexto grande, resumen, interaccion directa e inferencia especializada.
Sobre la capa de modelos frontier, modelos internos fine-tuned manejan alineacion de personalidad, tareas de escritura, clasificacion y procesamiento de datos especializado.
Los embeddings son una parte central de este stack, no un sistema secundario. Grandes volumenes de datos de mercado, investigacion, outputs previos de agentes y contexto especifico de dominio se embeben y almacenan para que futuros Nevrons puedan recuperar historial relevante, conectar senales relacionadas y razonar con continuidad en lugar de empezar desde cero en cada tarea.
Esto crea una capa de inteligencia adicional entre los datos crudos y el output final: una memoria semantica persistente que mejora la calidad del contexto, la recuperacion y la toma de decisiones en todo el sistema.
El principio es directo: usar el proveedor correcto para el trabajo correcto, y convertir informacion cruda en memoria estructurada que se acumula con el tiempo. Ningun modelo individual sobresale en todo, y ningun sistema multi-agente serio deberia depender de uno solo.
Infraestructura
Neurobro funciona como un enjambre distribuido de agentes de IA en lugar de una unica capa de inferencia. La infraestructura esta disenada para coordinar muchos trabajadores independientes, cada uno con un rol definido dentro del sistema.
En la cima del enjambre estan los agentes orquestadores. Estos agentes mantienen heartbeat, gestionan fases de planificacion y ejecucion, encadenan tareas, ejecutan ciclos de retroalimentacion, y re-generan o reasignan trabajo cuando un proceso falla o requiere otra pasada. Su rol no es el analisis de dominio en si, sino el control, supervision y continuidad del flujo de trabajo.
Junto a ellos estan los agentes especialistas, cada uno ajustado para un dominio especifico, region de mercado o tipo de razonamiento. Estos agentes operan con herramientas dedicadas, contexto dirigido y limites de responsabilidad estrechos. Agentes adicionales manejan escritura, formateo e interaccion directa con usuarios a traves de aplicaciones de consumo, asegurando que el output final sea claro y utilizable sin sobrecargar las capas analiticas.
El enjambre escucha continuamente su entorno desde dos direcciones: inputs de streaming de mercado y datos para procesamiento en segundo plano, y solicitudes de usuarios en vivo que llegan desde superficies de producto como web, movil, Telegram e integraciones API. La distribucion de carga basada en colas se situa entre esos inputs y la capa de agentes, permitiendo balanceo de trafico, manejo predecible de picos y asignacion de recursos mas estable bajo demanda cambiante.
Todo funciona en Kubernetes con contenedores Docker. El auto-escalado ajusta el enjambre de Nevrons segun la carga, mientras que la ejecucion basada en colas ayuda a mantener el rendimiento predecible cuando la actividad aumenta. Esta arquitectura esta profundamente integrada con auto-sanacion: porque los agentes son independientes, las tareas pueden reasignarse, reintentarse o repetirse por otros trabajadores, permitiendo al sistema recuperarse de muchos errores sin intervencion externa.
Figura 1: Vista simplificada de la infraestructura de agentes de Neurobro. Las solicitudes de usuarios entran desde superficies de producto, pasan por orquestadores y un buffer de cola, se distribuyen a agentes especialistas, y convergen en canales de salida. Los paquetes de datos fluyen continuamente entre capas.
Como Colaboran los Nevrons
Los Nevrons colaboran a traves de una division estructurada del trabajo. Los orquestadores deciden que agentes deben activarse, en que orden y con que restricciones. Los agentes especialistas luego ejecutan su porcion de la tarea usando sus propias herramientas, memoria y logica de dominio, mientras que los agentes enfocados en comunicacion empaquetan el resultado para los usuarios finales cuando es necesario.
Una sola solicitud puede activar multiples caminos de especialistas en paralelo. Un agente puede evaluar estructura tecnica, otro puede evaluar contexto macro, otro puede recuperar analogos historicos, mientras otros procesan senales sociales, fundamentales o especificas de dominio. Sus outputs luego se agregan, se verifican por consistencia, y se sintetizan en una respuesta final o se envian de vuelta a traves de otra iteracion si el sistema detecta brechas o conflictos.
El mismo patron opera en modo de fondo. Mientras algunos Nevrons responden directamente a usuarios, otros continuamente ingieren streams, actualizan memoria, refrescan vistas internas del mercado, y preparan contexto que otros agentes pueden reutilizar despues. Esto significa que el enjambre no solo esta reaccionando a prompts; esta continuamente manteniendo y corrigiendo su comprension del entorno.
Esto no es una simple cadena de prompts. Es un ciclo coordinado de planificacion, ejecucion, verificacion, recuperacion y sintesis a traves de muchos trabajadores independientes. El resultado es un sistema que es mas resiliente, mas adaptivo y mas consciente del contexto que una arquitectura de agente unico.
Figura 2: El ciclo de colaboracion de Nevrons. Cada solicitud se mueve a traves de las etapas Plan, Execute, Verify, Synthesize y Output. Cuando la verificacion detecta brechas o conflictos, el proceso vuelve a Plan para otra iteracion. Los puntos blancos representan flujo normal; los puntos rojos indican caminos de reintento.
