---
title: "Construye un agente de investigación de marketing en Cursor con Minds MCP"
description: "Walkthrough trabajado de construir un agente de investigación de marketing en Cursor que tira de PostHog, corre paneles Minds y postea a Slack."
canonical_url: "https://getminds.ai/blog/es/build-marketing-research-agent-cursor-minds-mcp"
last_updated: "2026-06-22T02:06:54.170Z"
---

# Construye un agente de investigación de marketing en Cursor

Esta guía es para alguien que quiere construir un agente de investigación de marketing custom en lugar de usar uno de la estantería. El resultado final es un agente dentro de Cursor que toma un brief de investigación en lenguaje natural, tira analíticas de producto desde PostHog, corre un panel sintético con Minds, cruza ambos y postea un resumen a Slack. Unos 90 minutos de trabajo de extremo a extremo si ya tienes cuentas en los tres servicios.

El punto no es shippear un producto pulido. Es hacer concreto el bucle agéntico: el agente recibe un brief, el agente llama varios servidores MCP en secuencia, el agente razona sobre el resultado conjunto, el agente reporta. Una vez has construido uno, el patrón compone hacia cualquier otra cosa que quieras construir.

## Prerrequisitos

Tres cuentas y tres claves API:

- Una cuenta Minds con una clave API (`minds_…`). Regístrate en getminds.ai si no tienes una.
- Una cuenta PostHog con una clave API personal.
- Un workspace Slack donde puedas postear a un canal vía un webhook o token de app.

Una instalación de Cursor (o cualquier editor con soporte MCP: VS Code con Copilot funciona igual).

Unos 30 minutos de tiempo de configuración enfocado, luego 60 minutos de iteración sobre el brief y el prompt del agente.

## Paso 1: conecta los tres servidores MCP

Cada uno de los tres servicios expone un servidor MCP. Vamos a conectar los tres a Cursor.

En Cursor, abre Settings → MCP y añade tres servidores.

*Minds.* Añade un nuevo servidor con la URL `https://getminds.ai/mcp` y autoriza vía OAuth. Las 12 herramientas Minds (`create_panel`, `ask_panel`, `export_panel`, etc.) aparecen en tu picker de herramientas.

La documentación de producto empieza en la [vista general del servidor Minds MCP](/mcp/overview); para pasos por cliente, usa la [guía de configuración de Minds MCP](/mcp/setup).

*PostHog.* PostHog shippea su propio servidor MCP. La configuración recomendada es el endpoint remoto en `https://app.posthog.com/mcp`, también con OAuth. Obtienes 55 herramientas que cubren eventos, funnels, cohorts y dashboards.

*Slack.* El servidor MCP de Slack está disponible vía npm. Añádelo como servidor stdio con `npx -y @modelcontextprotocol/server-slack` y tu token de bot de Slack en el env. Dos herramientas son suficientes: `slack_post_message` y `slack_list_channels`.

Reinicia Cursor. Los tres servidores deberían aparecer en la lista de herramientas del agente. Prueba cada uno pidiendo al agente que liste paneles (Minds), liste cohorts (PostHog) y liste canales (Slack).

## Paso 2: escoge un flujo de investigación que valga la pena automatizar

El agente solo es tan útil como el flujo que le des. Escoge algo específico. El ejemplo que vamos a construir:

> Toma un nombre de feature, encuentra usuarios que usaron el feature en los últimos 30 días en PostHog, caracterízalos como persona sintética vía Minds, pregunta a esa persona por qué recomendarían o no recomendarían el feature, y postea un resumen a #product-research en Slack.

Este patrón (anclaje con datos reales más enriquecimiento sintético más distribución al equipo) es reutilizable a través de muchas decisiones. Sustitúyelo por el tuyo.

## Paso 3: escribe el prompt del agente

Pon el prompt del agente en un archivo `.cursorrules` de Cursor o como mensaje de sistema de tu sesión de agente. La estructura que funciona:

```text
You are a marketing research agent. Your job is to take a feature name as input
and return a recommendation summary, posted to Slack.

For each request, do the following in order:

1. Use PostHog tools to find users who triggered the feature event in the last
   30 days. Get a count and basic properties (plan tier, account age, region).

2. Build a Minds persona that matches the dominant cohort from step 1. Use
   `create_mind` with a description that captures the cohort's plan tier,
   tenure, and likely role.

3. Create a panel of three personas matching that profile, using `create_panel`
   then `ask_panel`. Ask: "Would you recommend this feature to a colleague?
   Why or why not? What would have to change for it to be a yes?"

4. Cross-reference the panel response against the PostHog data. Look for
   alignment (do the panel's stated reasons match the actual usage patterns?)
   and gaps (does the panel surface concerns the metrics don't show?).

5. Post a summary to #product-research in Slack with three sections:
   - Cohort profile (who used it)
   - Panel verdict (recommend or not, top stated reasons)
   - Recommended action (what to do next)

Keep the Slack summary under 500 words. Link back to the full panel export.
```

Este prompt hace tres cosas deliberadamente:

- Ordena los pasos de forma dura para que el agente no atajos.
- Le dice al agente cómo componer resultados a través de herramientas, no solo cómo llamarlas.
- Acota la salida para que el mensaje en Slack sea efectivamente legible.

## Paso 4: prueba contra una feature real

Escoge una feature que tu producto haya lanzado de verdad. Corre el agente. La secuencia esperada:

1. El agente llama una query de `events` de PostHog para `feature_used` filtrada al nombre de la feature y los últimos 30 días. Devuelve un conteo y una muestra.
2. El agente llama `cohorts` de PostHog para caracterizar a los usuarios. Identifica el tier de plan dominante y la edad media de cuenta.
3. El agente llama `create_mind` de Minds con una descripción de persona como "Cliente pagador mid-tier, 6 a 18 meses en la plataforma, usuario primario de <span>

categoría de feature

</span>

".
4. El agente llama `create_panel` de Minds con tres de esas personas.
5. El agente llama `ask_panel` de Minds con la pregunta de recomendación.
6. El agente lee las respuestas. Llama `export_panel` de Minds para guardar la sesión completa para el link a Slack.
7. El agente llama `slack_post_message` de Slack con el resumen estructurado y el link al export.

Tiempo de extremo a extremo: 60 a 120 segundos según el tamaño del cohort y la longitud de la respuesta del panel. Coste de extremo a extremo: aproximadamente 0,15 dólares en costes de llamadas MCP más 0,05 dólares en inferencia del agente.

Si algún paso falla, el agente normalmente reintenta una vez o pivota. Si se atasca, la causa más común es un prompt frágil en el paso 4 (la descripción de persona no encaja limpiamente con el cohort). Reescribe la descripción de persona para que sea más flexible y vuelve a correr.

## Paso 5: programarlo

El agente solo genera valor si corre sin ti. Dos caminos:

*Trigger manual vía Slack.* Añade un slash command `/research [nombre-feature]` que dispare el agente Cursor. Es el camino más simple y sirve para investigación ad-hoc.

*Trigger por cron.* Usa un workflow de CI (GitHub Actions, automatización de Linear, cualquier cosa que pueda correr en agenda) para mandar una lista de nombres de features al endpoint del agente cada lunes. El agente corre el workflow una vez por feature y postea cada resumen. El equipo recibe un digest de investigación de lunes por la mañana sin overhead humano.

El camino del cron es donde el valor compone. Un equipo que corre investigación a nivel de feature en cada feature shippeada durante un trimestre aprende más sobre su producto que un equipo que corre un gran estudio al año, y a menos del 5 por ciento del coste.

## Dónde los agentes custom ganan a los de la estantería

El argumento para construir esto en lugar de usar una herramienta de investigación empaquetada:

*Especificidad de flujo.* Las herramientas de la estantería optimizan para el caso más común. El flujo de investigación de tu equipo rara vez es el caso más común. Un agente custom encaja exactamente con tu ritmo de decisión.

*Composición de herramientas.* Los movimientos interesantes pasan cuando la investigación sintética se ancla contra datos reales de producto, luego se distribuye en el canal de tu equipo. Ninguna herramienta de la estantería hace la cadena completa. Un agente custom enlazando tres MCPs sí.

*Control de coste.* Pagas por llamada, por servicio. Sin licencias por asiento, sin tarifas de plataforma encima. El uso pesado sale más barato que herramientas empaquetadas a escala de equipo; el uso ligero es esencialmente gratis.

*Velocidad de iteración.* Cambiar el flujo es cambiar el prompt. Sin roadmap del proveedor, sin solicitudes de feature. La restricción es tu propia atención, no el ciclo de release de otra persona.

## Trampas comunes

Algunas aristas afiladas de correr esto en producción:

- *Drift de persona entre llamadas.* Si creas un Mind nuevo en cada corrida, el perfil de persona se desplaza sutilmente cada vez. Persiste el Mind una vez (cachea el ID) y reúsalo. El MCP de Minds expone `list_minds` para exactamente esto.
- *Timeouts de query de PostHog.* Cohorts grandes hacen timeout al agente. Capa el tamaño del cohort en el prompt o pre-filtra a una muestra representativa.
- *Límites de tamaño de mensaje en Slack.* Slack trunca mensajes por encima de 4000 caracteres. El cap de 500 palabras en el prompt está bien por debajo, pero si el agente lo ignora, postear como hilo en lugar de mensaje único.
- *Rotación de tokens OAuth.* Los tres servicios rotan tokens periódicamente. Si el agente de pronto deja de funcionar, vuelve a autorizar cada conector antes de debuggear el prompt.

## Hacia dónde va esto

El flujo de recomendación de feature única es el punto de partida. Una vez funciona, el mismo agente generaliza a:

- Bucles semanales de efectividad de campaña (correr reacciones sintéticas a anuncios antes de que la campaña salga en vivo, validar contra click-through real después)
- Posicionamiento competitivo mensual (correr paneles sintéticos contra mensajería del competidor, cruzar contra tus propios datos de conversión)
- Refresh trimestral de personas (actualizar personas sintéticas basándose en desplazamientos observados de comportamiento de producto)

Cada una es la misma forma: anclaje con datos reales, enriquecimiento sintético, distribución al equipo. Construye el primero. El resto son variaciones.

Para más sobre qué vale la pena conectar al lado, ver [los mejores servidores MCP para agentes de marketing e investigación en 2026](/blog/best-mcp-servers-marketing-research-agents-2026). Para la categoría subyacente, ver [investigación de mercado agéntica, definida](/blog/agentic-market-research-definition). Para la pregunta de confianza sobre salida sintética, ver [validar la salida de investigación agéntica](/blog/validating-agentic-research-output-eval-frameworks).