Construye un agente de investigación de marketing en Cursor con Minds MCP

Esta guía es para alguien que quiere construir un agente de investigación de marketing propio en lugar de usar uno ya hecho. El resultado final es un agente dentro de Cursor que toma un brief de investigación en lenguaje natural, extrae analíticas de producto de PostHog, ejecuta un Study sintético con Minds, cruza ambos y publica un resumen en Slack. Unos 90 minutos de trabajo de principio a fin si ya tienes cuentas en los tres servicios.

El objetivo no es lanzar un producto pulido. Es hacer concreto el bucle agéntico: el agente recibe un brief, el agente llama a varios servidores MCP en secuencia, el agente razona sobre el resultado conjunto, el agente informa. Una vez has construido uno, el patrón se extiende a cualquier otra cosa que quieras construir.

Prerrequisitos

Tres cuentas y tres claves API:

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

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

Unos 30 minutos de configuración concentrada y 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, añade los tres servidores a ~/.cursor/mcp.json (o a .cursor/mcp.json en el proyecto).

Minds. Añade el servidor Minds MCP para investigación de mercado como "minds": { "url": "https://getminds.ai/mcp" } e inicia sesión con OAuth cuando Cursor lo solicite; no necesitas clave API. Las herramientas de Minds (create_audience_from_brief, ask_audience, create_study, plan_study_questions, export_study y más) aparecen en tu selector de herramientas. Para los pasos específicos de cada cliente, usa la guía de configuración de Minds MCP.

PostHog. PostHog ofrece 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 Audiences (Minds), cohorts (PostHog) y 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 en PostHog a los usuarios que usaron la feature en los últimos 30 días, caracterízalos como una Audience sintética con Minds, pregunta a esa Audience por qué recomendaría o no la feature, y publica un resumen en #product-research en Slack.

Este patrón (anclaje con datos reales más enriquecimiento sintético más distribución al equipo) es reutilizable en 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:

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 Audience that matches the dominant cohort from step 1. Use
   `create_audience_from_brief` with a brief that captures the cohort's plan
   tier, tenure, and likely role, and follow it with
   `get_audience_creation_progress`.

3. Ask that Audience one question with `ask_audience`, then read the answers
   with `get_study_status`. 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 Audience's answers against the PostHog data. Look for
   alignment (do the stated reasons match the actual usage patterns?) and gaps
   (do the answers surface concerns the metrics don't show?).

5. Post a summary to #product-research in Slack with three sections:
   - Cohort profile (who used it)
   - Audience 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 Study export.

Este prompt hace tres cosas deliberadamente:

• Fija el orden de los pasos para que el agente no tome atajos.
• Le dice al agente cómo combinar resultados de varias herramientas, no solo cómo llamarlas.
• Acota la salida para que el mensaje en Slack sea realmente legible.

Paso 4: prueba contra una feature real

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

1. El agente lanza una query de events de PostHog para feature_used filtrada por el nombre de la feature y los últimos 30 días. Devuelve un recuento y una muestra.
2. El agente llama a cohorts de PostHog para caracterizar a los usuarios. Identifica el tier de plan dominante y la antigüedad media de la cuenta.
3. El agente llama a create_audience_from_brief de Minds con un brief como "Clientes de pago de tier medio, entre 6 y 18 meses en la plataforma, usuarios principales de categoría de feature." y lo sigue con get_audience_creation_progress.
4. El agente llama a ask_audience de Minds con la pregunta de recomendación, lo que crea un Study privado para esa Audience.
5. El agente llama a get_study_status de Minds hasta que las respuestas estén completas.
6. El agente lee las respuestas. Llama a export_study de Minds para guardar el Study completo para el enlace de Slack.
7. El agente llama a slack_post_message de Slack con el resumen estructurado y el enlace a la exportación.

Tiempo de principio a fin: de 60 a 120 segundos según el tamaño del cohort y la longitud de las respuestas, más el tiempo de creación de la Audience en la primera ejecución. El acceso MCP está incluido en Minds. La investigación Pay as you go consume respuestas compradas; los planes de pago utilizan su asignación de respuestas correspondiente. Los cargos separados del proveedor de modelos dependen del modelo elegido y su uso.

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

Paso 5: prográmalo

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

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

Disparo por cron. Usa un workflow de CI (GitHub Actions, automatizaciones de Linear, cualquier cosa que pueda ejecutarse de forma programada) para enviar cada lunes una lista de nombres de features al endpoint del agente. El agente ejecuta el flujo una vez por feature y publica cada resumen. El equipo recibe un digest de investigación el lunes por la mañana sin trabajo manual.

El camino del cron es donde el valor se acumula. Un equipo que investiga cada feature lanzada durante un trimestre aprende más sobre su producto que un equipo que hace un gran estudio al año, y por menos del 5 por ciento del coste.

Dónde los agentes propios superan a los ya hechos

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

Especificidad del flujo. Las herramientas ya hechas optimizan para el caso más común. El flujo de investigación de tu equipo rara vez es el caso más común. Un agente propio encaja exactamente con tu ritmo de decisión.

Composición de herramientas. Lo interesante ocurre cuando la investigación sintética se ancla en datos reales de producto y luego se distribuye en el canal de tu equipo. Ninguna herramienta ya hecha cubre la cadena completa. Un agente propio que une tres MCPs sí.

Control de costes. Pagas por llamada, por servicio. Sin licencias por puesto, sin tarifas de plataforma encima. El uso intensivo sale más barato que las herramientas empaquetadas a escala de equipo; el uso ligero es prácticamente gratis.

Velocidad de iteración. Cambiar el flujo es cambiar el prompt. Sin roadmap del proveedor, sin solicitudes de features. La restricción es tu propia atención, no el ciclo de releases de otra empresa.

Trampas comunes

Algunas aristas que encontramos al ejecutar esto en producción:

• Deriva de la Audience entre llamadas. Si creas una Audience nueva en cada ejecución, su composición cambia sutilmente cada vez. Crea la Audience una sola vez (guarda el ID en caché) y reutilízala. El MCP de Minds expone list_audiences exactamente para esto.
• Timeouts de queries en PostHog. Los cohorts grandes provocan timeouts en el agente. Limita el tamaño del cohort en el prompt o filtra antes a una muestra representativa.
• Límites de tamaño de mensaje en Slack. Slack trunca los mensajes de más de 4000 caracteres. El límite de 500 palabras del prompt queda muy por debajo, pero si el agente lo ignora, publica como hilo en lugar de un único mensaje.
• Rotación de tokens OAuth. Los tres servicios rotan tokens periódicamente. Si el agente deja de funcionar de repente, vuelve a autorizar cada conector antes de depurar el prompt.

Hacia dónde va esto

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

• Bucles semanales de efectividad de campañas (ejecutar reacciones sintéticas a anuncios antes de que la campaña salga, validar después contra el click-through real)
• Posicionamiento competitivo mensual (ejecutar Studies sintéticos sobre la comunicación de la competencia, cruzar con tus propios datos de conversión)
• Actualización trimestral de Audiences (actualizar las Audiences sintéticas según los cambios observados en el comportamiento de producto)

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

Para saber qué más vale la pena conectar, consulta los mejores servidores MCP para agentes de marketing e investigación en 2026. Para la categoría de fondo, consulta investigación de mercado agéntica, definida. Para la cuestión de la confianza en los resultados sintéticos, consulta validar la salida de investigación agéntica.