CogniScout — Research Agent

Concepto

CogniScout automatiza la investigacion profunda para analistas de mercado, consultores y product managers. El usuario describe un tema en lenguaje natural; un agente de IA busca en la web, extrae contenido de las paginas relevantes y sintetiza un informe con insights clave y citas a las fuentes originales. Elimina el proceso manual de recopilar y resumir informacion de decenas de pestañas.

Arquitectura

Cliente (SPA/CLI)
      |
      v
AuthController  ---->  AuthService  ----> UserRepository (JPA)
      |
      v  (JWT Bearer)
ResearchController ---> ResearchProjectRepository (JPA)
      |
      v  (@Async, virtual thread)
ResearchAgentService
      |-- WebScraperService  (Jsoup + Executors.newVirtualThreadPerTaskExecutor)
      |-- LlmSynthesisService (Feign -> LlmClient -> LLM externo, con fallback local)
      v
Report (persistido junto al ResearchProject)

• Capas: %%INLINE0%% (REST), %%INLINE1%% (logica de negocio y agente),

%%INLINE2%% (Spring Data JPA), %%INLINE3%% (entidades JPA), dto (records inmutables para requests/responses), %%INLINE5%% (JWT), %%INLINE6%% (Feign hacia el LLM), config (seguridad, async, feign, jackson).

• Concurrencia: %%INLINE8%% registra un %%INLINE9%%

como executor de %%INLINE10%%. %%INLINE11%% abre ademas su propio Executors.newVirtualThreadPerTaskExecutor() para lanzar N scrapes en paralelo (uno por URL encontrada), ideal para I/O de red bloqueante sin agotar hilos de plataforma.

• Persistencia: entidades JPA (%%INLINE13%%, %%INLINE14%%, Report) se

mapean sobre PostgreSQL en produccion; H2 en memoria sirve para desarrollo/pruebas rapidas (Spring Boot autoconfigura el datasource embebido si no hay spring.datasource.* explicito).

• Resiliencia del LLM: si cogniscout.llm.api-key no esta configurada

o la llamada Feign falla, LlmSynthesisService cae a una sintesis local determinista (concatena extractos + citas) para que el MVP nunca se bloquee por falta de credenciales externas.

Endpoints

Metodo	Ruta	Auth	Descripcion
POST	/auth/register	No	Registra un usuario, devuelve JWT
POST	/auth/login	No	Autentica, devuelve JWT
POST	/api/projects	JWT	Crea un proyecto de investigacion y dispara el agente asincrono
GET	/api/projects	JWT	Lista los proyectos del usuario (dashboard)
GET	/api/projects/{id}	JWT	Estado de un proyecto (PENDING/RUNNING/COMPLETED/FAILED)
GET	/api/projects/{id}/report	JWT	Informe final con resumen y fuentes citadas

Autenticacion: header Authorization: Bearer <token> obtenido en login/register.

Referencias (mvpFeatures -> implementacion)

1. Creacion de Agentes de Investigacion -> POST /api/projects +

CreateProjectRequest(topic).

1. Busqueda y Extraccion Web Autonoma -> WebScraperService (DuckDuckGo

HTML + Jsoup, extraccion concurrente con virtual threads).

1. Sintesis y Generacion de Informes -> LlmSynthesisService +

%%INLINE30%% (Feign) -> %%INLINE31%% (summary + sources + generatedAt).

1. Dashboard de Proyectos -> GET /api/projects (listado) y

GET /api/projects/{id} (estado en vivo) sirven de backend para la UI.

Analisis de Negocio

• Monetizacion: SaaS por niveles. El campo ProjectStatus y el conteo

de proyectos por usuario permiten aplicar limites de plan (ej. 3 informes/mes en el tier gratuito) en ResearchController sin cambios estructurales.

• ROI medible: cada informe reemplaza horas de investigacion manual;

el timestamp %%INLINE36%%/%%INLINE37%% de ResearchProject permite medir tiempo de entrega del agente frente al proceso manual.

• Barrera de entrada baja: sin dominios regulados (salud/finanzas), el

MVP puede lanzarse rapido y iterar sobre profundidad de investigacion y colaboracion (planes Pro/Business) sin friccion de compliance.

Como ejecutar

cd solutions/2026-07-05-cogniscout-research-agent
mvn spring-boot:run

Por defecto usa H2 en memoria (sin configuracion adicional). Variables opcionales:

export COGNISCOUT_LLM_BASE_URL=https://api.openai.com/v1
export COGNISCOUT_LLM_API_KEY=sk-...
export COGNISCOUT_LLM_MODEL=gpt-4o-mini
export COGNISCOUT_JWT_SECRET=una-clave-larga-de-al-menos-256-bits

Flujo de prueba rapido:

curl -X POST localhost:8080/auth/register -H 'Content-Type: application/json' \
  -d '{"email":"ana@empresa.com","password":"secreta123","fullName":"Ana Analista"}'

curl -X POST localhost:8080/api/projects -H "Authorization: Bearer <token>" \
  -H 'Content-Type: application/json' \
  -d '{"topic":"Tendencias de agentes de IA para investigacion profunda en 2026"}'

curl localhost:8080/api/projects/1 -H "Authorization: Bearer <token>"
curl localhost:8080/api/projects/1/report -H "Authorization: Bearer <token>"

---

FinOps Analysis para CogniScout

Resumen de Costos y Rentabilidad

CogniScout, con su enfoque en la automatización de la investigación, presenta un modelo de negocio con un alto potencial de rentabilidad debido a los bajos costos operativos esperados para una micro-startup.

• Ingresos Mensuales Estimados: $500 (basado en 20 clientes pagando un promedio de $25/mes).
• Costos Operativos Mensuales Estimados: $50

* APIs LLM (OpenAI gpt-4o-mini/gpt-4o): $15 * Infraestructura Cloud (GCP): $35 (VM e2-small + Cloud SQL db-f1-micro PostgreSQL)

• Margen de Beneficio Estimado: 90%

Desglose de Costos Detallado

1. Estimación de Uso de LLM y Costos

Se estima un uso mensual de ~3 millones de tokens, utilizando principalmente gpt-4o-mini por su excelente relación costo-rendimiento. Esta estimación considera un promedio de 230 informes generados al mes (una mezcla de usuarios del plan gratuito y de pago), con cada informe procesando aproximadamente 12,500 tokens (entrada y salida).

Aunque el costo directo de gpt-4o-mini para este volumen sería inferior a $1, se ha asignado un presupuesto de $15/mes para las APIs de LLM. Este buffer permite:

• Un margen de error en la estimación de tokens.
• El uso ocasional de modelos más potentes como gpt-4o para tareas de síntesis críticas en planes premium.
• Posibles iteraciones o prompts más complejos que requieran más tokens.

2. Costos de Infraestructura Cloud

Para una micro-startup, se recomienda una configuración lean en un proveedor de nube como Google Cloud Platform (GCP) para mantener los costos bajos:

• Máquina Virtual (VM) para la aplicación Spring Boot: Una instancia e2-small ($12-15/mes) es suficiente para el MVP, manejando la API y orquestando los agentes.
• Base de Datos PostgreSQL: Una instancia Cloud SQL db-f1-micro ($10-15/mes) proporciona una base de datos gestionada y escalable con un costo inicial bajo.

Costo total estimado para infraestructura cloud: $35/mes.

3. Otros Costos

• APIs Externas: No se identifican costos significativos adicionales para APIs externas más allá de OpenAI en el MVP. La extracción web se realizará con Jsoup, sin depender de APIs de búsqueda de pago.
• CDN/Monitoring: No se consideran costos adicionales para CDN en el MVP. El monitoreo básico de la nube está incluido o es de bajo costo.

Estrategias de Optimización FinOps

Para mantener este alto margen de beneficio y escalar de manera eficiente, CogniScout debe implementar las siguientes estrategias FinOps:

1. Caché de Respuestas LLM y Contenido Web: Implementar un sistema de caché para almacenar resultados de LLM y contenido web previamente raspado. Esto reduce las llamadas redundantes a la API del LLM y el tráfico de scraping, disminuyendo significativamente los costos recurrentes.
2. Optimización Agresiva de Tokens: Antes de enviar contenido al LLM, realizar un pre-procesamiento exhaustivo. Esto incluye resumir grandes bloques de texto, filtrar información irrelevante y utilizar embeddings para enviar solo los fragmentos más relevantes, minimizando la cantidad de tokens de entrada.
3. Tiering Inteligente de Modelos LLM: Designar %%INLINE44%% como el modelo predeterminado para la mayoría de las operaciones, especialmente en el plan gratuito y Pro. Reservar el uso de %%INLINE45%% (más caro) estrictamente para las funcionalidades de 'investigación profunda' o 'insights avanzados' del plan Business, donde el valor añadido justifica el costo.
4. Exploración de Serverless para Workers: Migrar los agentes de investigación asíncronos a un modelo serverless (ej., AWS Lambda o GCP Cloud Functions). Esto permite pagar solo por el tiempo de ejecución real de los agentes, eliminando los costos de una VM dedicada que podría estar ociosa.
5. Right-Sizing Continuo de la Infraestructura: Monitorizar el uso de CPU, memoria y E/S de la base de datos y la VM. Ajustar el tamaño de las instancias a la demanda real, utilizando instancias burstables como %%INLINE46%% o %%INLINE47%% que son ideales para cargas de trabajo variables de startups.
6. Scraping Eficiente: Implementar una lógica de scraping que minimice el tráfico de red. Esto incluye respetar robots.txt, evitar la descarga de activos innecesarios (imágenes, CSS) y priorizar la extracción de texto relevante sobre la descarga completa de páginas, reduciendo costos de transferencia de datos y procesamiento.
7. Batch Processing: Para tareas de investigación que no requieren inmediatez, considerar el procesamiento por lotes durante horas de menor actividad. Esto puede optimizar el uso de recursos y potencialmente aprovechar tarifas de cómputo más bajas si el proveedor de la nube las ofrece.

Al aplicar estas prácticas FinOps, CogniScout puede asegurar una base operativa de bajo costo y una alta rentabilidad, permitiendo una escalabilidad sostenible a medida que crece su base de usuarios.