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.
Pregunta primero para qué lo quiere. Si su objetivo no necesita algún paso, sáltalo.
Antes de instalar, comprueba lo que ya tiene (versiones, claves, sistema operativo).
Avanza un paso cada vez: explica en una frase qué vas a hacer y deja que el usuario lo ejecute o lo apruebe.
Tras cada paso, comprueba que funcionó antes de seguir. Si falla, para y explica el error.
No inventes comandos ni opciones: si la documentación del proyecto contradice estos pasos, manda la documentación.
Al terminar, haz una prueba real con el objetivo del usuario y dile dónde profundizar.
Pasos de configuración
Delimita la prueba
Crea una muestra ficticia con plazo declarado, presupuesto indicado e interés explícito. Escribe las reglas y los resultados esperados antes de construir el evaluador.
Configura HubSpot MCP
Sigue HubSpot MCP, incluidos sus requisitos, configuración y comprobación actuales. Completa OAuth en la cuenta correcta y consulta herramientas, identificador y propiedades de un registro de prueba antes de proponer escrituras.
Configura Pydantic AI
Sigue Pydantic AI, incluidos sus requisitos, configuración y comprobación actuales. Completa la salida tipada de prueba en el proyecto uv, incluido el rechazo local de un valor inválido; después adapta el esquema a las reglas del caso.
Datos que pasan entre piezas
Los archivos siguientes son entregables de este caso preparados por el agente; no implican exportadores ni sincronización automática.
Pasa de HubSpot al evaluador Pydantic AI contactos.json con identificador CRM, fecha y campos autorizados; devuelve propuestas.csv con ese identificador, valor actual, prioridad, motivos y datos ausentes. Sin reglas aprobadas, casos esperados o un dato obligatorio, detén la valoración de esa fila y conserva revisión pendiente antes de cualquier cambio en el CRM.
Monta el flujo
Paso 1
Consulta con HubSpot MCP las herramientas y propiedades disponibles y lee los registros de prueba. Registra identificadores, fechas y campos ausentes sin ampliar permisos a otros objetos.
Paso 2
En el proyecto Python usa Pydantic AI para una salida con identificador, hechos, motivos y preguntas. Implementa las reglas fijas en código y contrasta cada resultado con los ejemplos esperados. No conectes una herramienta de escritura al evaluador.
Paso 3
Entrega una tabla con prioridad propuesta, razones y diferencias frente al valor actual. Tras revisión, actualiza solo campos soportados y aprobados mediante HubSpot MCP, o entrega la tabla para carga manual. Vuelve a leer cualquier cambio.
Comprobación
Prueba un contacto completo, uno incompleto y dos con el mismo identificador. Comprueba reglas, motivos y deduplicación; un texto ambiguo debe pedir revisión.
Si algo falla
Si un campo no está disponible, deja la evaluación pendiente. Si falla el tipo de salida, corrige el contrato; no relajes las reglas para aceptar una valoración inconsistente.
Esta composición de WISD no se ha ejecutado como prueba integral. La configuración se consulta en las guías enlazadas; las etapas describen cómo coordinar las piezas.
Prompt para tu agente
Sustituye los campos entre <> antes de pegarlo.
Lee y sigue las instrucciones publicadas de las piezas: HubSpot MCP: /hub/hubspot-mcp/instrucciones.md; Pydantic AI: /hub/pydantic-ai-typesafe/instrucciones.md. Completa los requisitos, configuración y comprobación de cada pieza antes de usarla; comprueba su uso desde el cliente o arnés elegido, no solo su presencia en disco. Si falta un campo entre <>, una fuente obligatoria, acceso o una operación documentada, detén la etapa dependiente, informa qué falta y pídemelo; usa una alternativa manual solo cuando esté descrita y comprobada. No inventes datos ni des por superada una comprobación pendiente.
Con HubSpot MCP lee <identificadores de prueba y campos autorizados>. En <proyecto Python> usa Pydantic AI para devolver hechos, motivos y preguntas con tipos definidos. Aplica en código <reglas de prioridad comercial> y compara con <casos esperados>. No infieras atributos personales ni completes presupuesto o intención ausentes. Guarda propuestas en <archivo>. Tras mi revisión, aplica solo cambios soportados y aprobados, relee los registros y entrega evidencias.
Pasa de HubSpot al evaluador Pydantic AI contactos.json con identificador CRM, fecha y campos autorizados; devuelve propuestas.csv con ese identificador, valor actual, prioridad, motivos y datos ausentes. Sin reglas aprobadas, casos esperados o un dato obligatorio, detén la valoración de esa fila y conserva revisión pendiente antes de cualquier cambio en el CRM.
Qué es
Un procedimiento para preparar una lista priorizada de contactos inmobiliarios con los datos que ya tienes autorizados. Cada clasificación muestra sus motivos y las preguntas que faltan, de modo que el equipo pueda corregirla antes de usarla.
Para qué te sirve
Cuando varias consultas llegan juntas y necesitas distinguir plazos declarados de interés supuesto.
Cuando un registro sin presupuesto no debe recibir la misma clasificación que uno completo.
Cuando cambias una regla comercial y quieres comprobar cómo afecta a una muestra conocida.
Cómo funciona
HubSpot MCP consulta propiedades accesibles del CRM. Pydantic AI permite construir un evaluador con salida tipada para motivos y datos ausentes. Las reglas y el cálculo numérico los define tu aplicación; el modelo solo interpreta texto cuando corresponde. La validación de tipos no demuestra que la valoración sea correcta.
Antes de empezar
Necesitas una cuenta HubSpot con conector autorizado y un cliente MCP compatible con OAuth y PKCE. Prepara Python ≥3.11 y uv en un proyecto con pyproject.toml para el evaluador. Define campos permitidos, criterios comerciales, ejemplos esperados y acceso al proveedor de modelos. Usa datos ficticios al diseñar el flujo.
Límites y alternativas
La guía no predice quién comprará ni automatiza decisiones de acceso a vivienda. Limita la prioridad a seguimiento comercial con criterios pertinentes y revisables. Evita inferir características personales; si faltan datos esenciales, devuelve revisión pendiente.
