ForgeFlow AI

Concepto

ForgeFlow AI es un "empleado digital" configurable sin código para equipos de operaciones, ventas y marketing en PYMEs. El usuario describe el objetivo de un agente en lenguaje natural (ej. *"Cuando entre un lead nuevo en HubSpot, notifícalo en Slack y regístralo en la hoja de seguimiento"*), selecciona las herramientas SaaS que el agente puede usar, y el motor de orquestación planifica y ejecuta la secuencia de pasos — pausando para pedir aprobación humana antes de acciones sensibles (enviar un email, publicar en Slack, etc.).

Inspirado en la tendencia de Agentes de IA Personalizados para Negocios (Semble AI, YC), ForgeFlow apunta al usuario final de negocio, no al desarrollador: cero código, ROI inmediato en ahorro de horas operativas.

Arquitectura

Monolito modular Spring Boot 4.0.4 / Java 25, capas %%INLINE0%%, persistencia JPA (H2 embebido en dev, Postgres en prod vía %%INLINE1%%).

controller/   REST endpoints (auth, tool-connections, agents, runs)
service/      lógica de negocio: orquestación, ejecución, cifrado de uso
security/     JWT (jjwt) + filtro de autenticación + cifrado AES-GCM de credenciales
connector/    arquitectura modular de conectores (OpenFeign) — 1 por herramienta SaaS
model/        entidades JPA: Workspace, User, ToolConnection, Agent, AgentRun, AgentStep
dto/          Records inmutables para request/response
config/       seguridad, propiedades externalizadas, JacksonConfig (pre-existente)
exception/    manejo centralizado de errores (@RestControllerAdvice)

Flujo de ejecución (Motor de Orquestación)

1. %%INLINE2%% dispara %%INLINE3%%.
2. AgentOrchestratorService.generatePlan simula la llamada a un LLM con function

calling/tool use: traduce el objetivo (Agent.goal) + herramientas permitidas en una lista de PlannedStep (mismo contrato que usaría una integración real con GPT-4/Claude).

1. Cada %%INLINE7%% se persiste como %%INLINE8%% (estado PENDING) ligado a un

%%INLINE10%% (estado %%INLINE11%%) — trazabilidad completa en base de datos.

1. AgentRunService.continueExecution recorre los pasos en orden:

- Si el paso no requiere aprobación → StepExecutorService lo despacha al ToolConnector correspondiente (HubSpot, Gmail, Slack, Google Sheets) y lo marca %%INLINE15%% con su %%INLINE16%%. - Si el paso requiere aprobación (ej. enviar email) → se marca %%INLINE17%%, el run completo pasa a %%INLINE18%% y la ejecución se detiene — human-in-the-loop.

1. Un humano decide vía POST /api/runs/{runId}/steps/{stepId}/decision. Si aprueba, el

paso se ejecuta y la ejecución continúa; si rechaza, el run pasa a REJECTED.

Conectores modulares (OpenFeign)

ToolConnector es la interfaz común; cada herramienta tiene su implementación (%%INLINE22%%, %%INLINE23%%, %%INLINE24%%, %%INLINE25%%). %%INLINE26%% es un cliente OpenFeign real (%%INLINE27%%) cableado contra la API de webhooks de Slack — en el MVP el conector simula la respuesta para no depender de credenciales de producción durante la demo, pero la integración real solo requiere reemplazar el cuerpo de execute(). Añadir una herramienta nueva = una clase nueva.

Seguridad

• %%INLINE29%%: JWT stateless, %%INLINE30%% valida el header

Authorization: Bearer <token> en cada request.

• CredentialEncryptionService: cifra API Keys/tokens OAuth con AES/GCM antes de

guardarlos en ToolConnection.encryptedCredential (nunca en texto plano).

Endpoints

Método	Ruta	Descripción
POST	/api/auth/register	Crea workspace (plan FREE) + usuario admin, devuelve JWT
POST	/api/auth/login	Login, devuelve JWT
POST	/api/workspaces/{workspaceId}/tool-connections	Conecta herramienta (API Key cifrada)
GET	/api/workspaces/{workspaceId}/tool-connections	Lista conexiones
DELETE	/api/workspaces/{workspaceId}/tool-connections/{connectionId}	Revoca conexión
POST	/api/workspaces/{workspaceId}/agents	Constructor no-code: crea agente
GET	/api/workspaces/{workspaceId}/agents	Lista agentes
GET	/api/workspaces/{workspaceId}/agents/{agentId}	Detalle de agente
POST	/api/workspaces/{workspaceId}/agents/{agentId}/runs	Dispara una ejecución (planifica + corre)
GET	/api/workspaces/{workspaceId}/agents/{agentId}/runs	Historial de ejecuciones
GET	/api/runs/{runId}	Estado + log de pasos en tiempo real
POST	/api/runs/{runId}/steps/{stepId}/decision	Aprueba/rechaza un paso crítico pausado

Análisis de Negocio

• Problema: equipos de operaciones de PYMEs pierden horas en tareas manuales entre

CRM/email/Slack/hojas de cálculo; la automatización basada en reglas no cubre excepciones.

• Solución: agentes que entienden objetivos en lenguaje natural, ejecutan planes

multi-paso a través de APIs conectadas y piden aprobación humana solo en pasos críticos.

• Monetización: SaaS freemium por niveles — plan gratuito con límite de agentes/

ejecuciones mensuales; planes de pago desbloquean integraciones premium, flujos más complejos y soporte prioritario (%%INLINE46%%: %%INLINE47%% / PRO).

• Ventaja competitiva: a diferencia de herramientas para desarrolladores (Langflow),

ForgeFlow se dirige al usuario de negocio final — sin fricción de ingeniería, propuesta de valor fácil de comunicar (ahorro de horas, reducción de errores).

Cómo ejecutar

cd solutions/2026-07-13-forgeflow-ai
mvn clean spring-boot:run

La app arranca en http://localhost:8080 con H2 embebido (no requiere configuración adicional para probar el flujo completo).

Flujo de prueba rápido

# 1. Registro
curl -X POST localhost:8080/api/auth/register -H 'Content-Type: application/json' -d '{
  "email":"ops@acme.com","password":"supersecret","fullName":"Ops Lead","workspaceName":"Acme"}'

# 2. Conectar Slack (workspaceId=1)
curl -X POST localhost:8080/api/workspaces/1/tool-connections -H 'Authorization: Bearer <token>' \
  -H 'Content-Type: application/json' -d '{"toolType":"SLACK","displayName":"Slack Acme","apiKey":"xoxb-demo"}'

# 3. Crear agente
curl -X POST localhost:8080/api/workspaces/1/agents -H 'Authorization: Bearer <token>' \
  -H 'Content-Type: application/json' -d '{
  "name":"Notificador de leads","goal":"Notificar a ventas cuando llega un lead nuevo",
  "allowedTools":["SLACK","HUBSPOT"],"requireApprovalForSensitiveSteps":true}'

# 4. Disparar ejecución (agentId=1) — pausa en el paso de Slack a la espera de aprobación
curl -X POST localhost:8080/api/workspaces/1/agents/1/runs -H 'Authorization: Bearer <token>'

# 5. Aprobar el paso pendiente (runId=1, stepId=2)
curl -X POST localhost:8080/api/runs/1/steps/2/decision -H 'Authorization: Bearer <token>' \
  -H 'Content-Type: application/json' -d '{"approved":true,"comment":"OK, adelante"}'

Referencias

• YCombinator — Semble AI: https://www.ycombinator.com/companies/semble-ai

---

Análisis FinOps para ForgeFlow AI

Resumen de Costos y Rentabilidad

ForgeFlow AI, en su fase MVP inicial, proyecta unos costos operativos mensuales de $65 frente a unos ingresos estimados de $525, lo que resulta en un sólido margen de beneficio del 87%.

• Ingresos Mensuales Estimados: $525 (basado en 15 clientes de pago a un promedio de $35/mes).
• Costos Operativos Mensuales: $65

* APIs LLM (OpenAI): $25 (estimado para ~15 millones de tokens/mes, utilizando principalmente %%INLINE50%% y %%INLINE51%% para tareas complejas). * Infraestructura Cloud (AWS): $40 (incluye una instancia EC2 %%INLINE52%% para la aplicación Spring Boot, una base de datos RDS PostgreSQL %%INLINE53%%, almacenamiento S3 mínimo y costos de red).

• Margen de Beneficio: 87%

Desglose Detallado de Costos

1. Costos de APIs LLM ($25/mes):

* Se estima un volumen de aproximadamente 15 millones de tokens mensuales, distribuidos entre %%INLINE54%% (para la mayoría de las interacciones y planificación básica) y %%INLINE55%% (para tareas de planificación más complejas o cuando se requiera mayor capacidad de razonamiento). * La estrategia de usar un modelo más económico por defecto es clave para mantener bajos estos costos, que son los más variables.

1. Costos de Infraestructura Cloud ($40/mes):

* Cómputo (EC2): Una instancia t4g.small (Graviton ARM, 2 vCPU, 2 GiB RAM) en AWS es ideal para un monolito Spring Boot en su fase inicial, ofreciendo un buen balance rendimiento/precio (~$17/mes). * Base de Datos (RDS): Una instancia t4g.micro de PostgreSQL con 20 GB de almacenamiento GP2 es suficiente para el MVP, proporcionando una base de datos gestionada y escalable (~$18/mes). * Almacenamiento y Red (S3, VPC, Data Transfer): Costos marginales para logs, configuraciones y tráfico de red (~$5/mes).

Estrategias de Optimización FinOps

Para mantener este margen de beneficio saludable y escalar eficientemente, ForgeFlow AI debe implementar las siguientes prácticas FinOps:

• Optimización de Prompts: Refinar continuamente los prompts enviados al LLM para reducir el número de tokens de entrada y salida, eliminando redundancias y siendo lo más conciso posible.
• Caching Inteligente: Implementar un sistema de caché para respuestas de LLM y planes de ejecución que sean repetitivos o comunes. Esto puede reducir significativamente las llamadas a la API del LLM.
• Tiering de Modelos LLM: Asegurar que la lógica de la aplicación priorice el uso de modelos de bajo costo (ej. %%INLINE58%%) para la mayoría de las operaciones y reserve los modelos más potentes y caros (%%INLINE59%%, Claude 3) solo para cuando sean estrictamente necesarios (ej. resolución de ambigüedades, planificación compleja).
• Infraestructura Graviton: Continuar utilizando y optimizando el uso de instancias Graviton (ARM) en AWS, ya que ofrecen una mejor relación precio/rendimiento para cargas de trabajo Java en comparación con las instancias x86.
• Monitoreo de Base de Datos: Mantener un ojo en el rendimiento y la utilización de la base de datos. Si el uso de CPU o IOPS es bajo, se podría considerar una instancia %%INLINE61%% o %%INLINE62%% sin bursting para reducir aún más los costos, o escalar solo cuando sea necesario.
• Gestión del Freemium: Establecer límites de uso claros y monitorear el consumo de recursos (especialmente tokens LLM) por parte de los usuarios del plan gratuito para evitar abusos y fomentar la conversión a planes de pago.
• Alertas de Costos: Configurar alertas en AWS Cost Explorer o herramientas similares para notificar al equipo sobre cualquier aumento inesperado en los costos, permitiendo una acción rápida.

Conclusión

ForgeFlow AI muestra una excelente viabilidad financiera en su etapa MVP con un alto margen de beneficio. La clave para mantener esta rentabilidad a medida que crece será la gestión proactiva y estratégica de los costos de LLM e infraestructura, aplicando principios FinOps desde el día uno.