lab
Esc

Prueba con

↑↓ para moverte · Enter para abrir · también en /buscar?q= para agentes

caso de uso avanzado evevercelcrmautomatizacióninvestigación

Comp AI CRM: investiga contactos y registra hechos con evidencias

Reduce la entrada manual de datos de contactos y empresas con un agente que investiga y registra lo observado. Las evidencias débiles quedan como sugerencias para que una persona resuelva las dudas.

✓ verificado el 26 oct 2026

Instrucciones para tu agente

Esto es lo que se copia. Pégaselo a tu agente y te lo monta paso a paso.

O ábrelo directamente en ClaudeChatGPT

Pega este texto a tu agente (Claude Code, Codex, OpenCode, Hermes o el que uses) y dile «ayúdame a montarlo». Son los pasos para ponerlo en marcha; el porqué de cada pieza está en la guía completa.

Para el agente: cómo acompañar al usuario

  1. Pregunta primero para qué lo quiere. Si su objetivo no necesita algún paso, sáltalo.
  2. Antes de instalar, comprueba lo que ya tiene (versiones, claves, sistema operativo).
  3. Avanza un paso cada vez: explica en una frase qué vas a hacer y deja que el usuario lo ejecute o lo apruebe.
  4. Tras cada paso, comprueba que funcionó antes de seguir. Si falla, para y explica el error.
  5. No inventes comandos ni opciones: si la documentación del proyecto contradice estos pasos, manda la documentación.
  6. Al terminar, haz una prueba real con el objetivo del usuario y dile dónde profundizar.

Pasos de configuración

Paso 1: prepara el inicio local

Comprueba que Bun 1.4.0, Node.js ≥22 (según package.json), Git y Docker con Compose están disponibles. Lee README.md y docs/agent.md. El README usa la rama release para instalaciones. Sus pasos iniciales son:

git clone https://github.com/trycompai/crm.git && cd crm
cp .env.example .env
bun install

Paso 2: configura autenticación

Configura en privado BETTER_AUTH_SECRET, ALLOWED_SIGN_IN y el proveedor de identidad elegido, según el README. Para la ruta Google del ejemplo, configura juntos GOOGLE_CLIENT_ID y GOOGLE_CLIENT_SECRET y registra http://localhost:3001/api/auth/callback/google como URI de redirección. Confirma que DATABASE_URL apunta al Postgres local de Compose; no cargues entornos externos para esta prueba. No pongas valores reales en el chat. Usa una cuenta de prueba y revisa los permisos del proveedor antes de enlazar correo.

Paso 3: inicia los servicios locales

docker compose up -d
bun run db:deploy
bun run db:seed
bun run dev

La carga de datos de ejemplo es opcional según el README. La aplicación está en http://localhost:3000 y la API en http://localhost:3001.

Paso 4: incorpora el agente

La ejecución local bun run dev ya incluye el agente en el puerto 2000, según docs/setup.md. No necesitas desplegar otro servicio para probarlo. Antes del arranque configura AGENT_URL=http://127.0.0.1:2000 y un mismo AGENT_BRIDGE_SECRET privado para ambos procesos, desde el archivo raíz. El agente usa IPv4: localhost puede resolver a ::1 y fallar. Comprueba que apps/app/turbo.json y apps/agent/turbo.json conservan esas variables en passThroughEnv. Carga además AI_GATEWAY_API_KEY para el modelo local fuera de Vercel, según docs/environment.md. Reinicia si acabas de añadir las variables. Abre la pestaña Agent de una ficha ficticia y pide recuperar un hecho de su historial y citar su evidencia antes de conectar fuentes externas.

Comprobación

Comprueba inicio de sesión, visualización de datos de ejemplo y comunicación con la API. Tras configurar el agente, revisa una investigación y su evidencia, incluida una sugerencia que deba resolver una persona.

Si algo falla

Si el inicio de sesión entra en un bucle, revisa la configuración compartida de autenticación y los orígenes. Si la pestaña del agente está sin configurar, consulta el puente del agente. Si falta una fuente, comprueba qué servicios declara activos el agente antes de añadir claves.

Fuente: documentación del proyecto.

ver en .md ¿Prefieres el recurso entero?

Qué es

Comp AI CRM es un CRM abierto pensado alrededor de un agente de investigación. El agente se ejecuta como servicio separado y mantiene registros, tareas y revisiones programadas, además de conversaciones sobre cada ficha.

Para qué te sirve

  • Cuando quieres investigar un contacto sin inventar su identidad a partir de un nombre.
  • Cuando necesitas volver a comprobar datos de una empresa en una fecha futura.
  • Cuando el equipo quiere ver por qué se incorporó un dato al CRM.

Cómo funciona

La aplicación, la API y el agente son tres procesos separados con Postgres compartido. El agente usa eve, herramientas y skills de evidencia. Un registro pondera lo observado: la evidencia fuerte actualiza campos y la débil genera propuestas. Los servicios externos son opcionales para ampliar la investigación; el historial propio sigue siendo una fuente disponible.

Antes de empezar

El inicio local requiere Bun y Docker. Debes configurar autenticación, la lista de usuarios admitidos y un proveedor de identidad. El despliegue completo añade servicios de Vercel y consumo de modelos; alojar el código no evita esos costes. El sandbox documentado no tiene salida de red ni credenciales de base de datos; las herramientas del runtime tienen otro alcance.

Repositorio activo comprobado con GitHub el 26 oct 2026; último commit consultado del 2026-10-22.

Límites y alternativas

El diseño es de una sola organización (tenant), no una plataforma multiempresa lista para vender como servicio. Las reglas de evidencia reducen conjeturas pero requieren revisión de identidad y fuentes. La interfaz de conversación del agente necesita configuración adicional a la aplicación local. No conectes correo de clientes para una primera prueba ni interpretes un arranque web como despliegue completo del agente.

Recursos