[ blog · use-case ]8 min read

Construye un agente de briefing matutino con la News Search API

Sarah Choy·Publicado el 2 de mayo de 2026·Actualizado el 3 de mayo de 2026·8 min de lectura

Fundadores, PMs y analistas quieren lo mismo a las 8am: un digest limpio de qué cambió durante la noche. Con una News Search API, un LLM y una plataforma con cron, lo construyes en una tarde.

Resumen

• •Arquitectura: cron → News Search → URL Extract de las historias prometedoras → resumen LLM → post a Slack/email.
• •Frescura con <code>start_date</code> = hoy − 1; locale con <code>country_code</code>.
• •Trocea por tema con News Search en paralelo; el LLM mergea y deduplica.
• •Coste total ≈ 15 créditos/tema/día más tokens LLM. Un briefing de 5 temas < $0.10/día a precio de tarifa.

Forma de un briefing útil

Un agente de briefing matutino tiene que responder a una pregunta: '¿qué cambió durante la noche que necesito saber?' La barrera es más alta de lo que parece. Una lista de titulares falla — es lo mismo que RSS y se silencia en una semana. Lo que sobrevive es un digest de 5 puntos con enlaces, agrupado por temas, en la voz del lector.

Eso se descompone en una pequeña pipeline:

• Buscar noticias recientes en N temas — News Search API.
• Extraer el cuerpo de los enlaces que el modelo quiera citar — URL Extract API.
• Resumir + agrupar con el LLM de tu elección.
• Publicar en Slack / email / Notion — tu canal habitual.
• Programar con cron — Vercel Cron, GitHub Actions, n8n, etc.

Paso 1: elige los temas

3–6 temas. Briefings con 12 temas se saltan con scroll. Ejemplos:

• Fundador SaaS B2B: 'rondas de funding IA', 'noticias OpenAI / Anthropic', 'movimientos de competencia'.
• Analista financiero: 'FOMC y Treasury', 'cadena de semiconductores', 'tickers concretos'.
• PM healthcare: 'aprobaciones FDA', 'lecturas de ensayos clínicos', 'cambios de reembolso'.

Paso 2: traer la señal en bruto

Una llamada a News Search por tema, en paralelo. Frescura con start_date:

from datetime import date, timedelta
import asyncio, aiohttp

KEY = "pk_yourkey"
TOPICS = [
    "AI agent infrastructure funding",
    "OpenAI Anthropic Google new releases",
    "RAG and LLM tool calling research",
]

async def fetch_topic(session, q):
    yesterday = (date.today() - timedelta(days=1)).isoformat()
    async with session.post(
        "https://www.apipick.com/api/search/news",
        headers={"x-api-key": KEY},
        json={"query": q, "start_date": yesterday},
    ) as r:
        return q, await r.json()

async def fetch_all():
    async with aiohttp.ClientSession() as s:
        return await asyncio.gather(*[fetch_topic(s, q) for q in TOPICS])

Cada llamada devuelve hasta 5 titulares ranked (10 con num_results). 3 temas son 3 × 15 = 45 créditos/día — $0.045/día a tarifa $5 / 5.000 créditos. La News API no es el coste mayor del día — el LLM domina.

Paso 3: extraer cuerpos selectivamente

No necesitas el contenido completo de cada historia, solo de las que el modelo va a citar a fondo. Heurística: top 2 por tema. En API Pick es una sola llamada por lotes:

import requests

urls = [r["url"] for topic, payload in results for r in payload["results"][:2]]

extracted = requests.post(
    "https://www.apipick.com/api/extract",
    headers={"x-api-key": KEY},
    json={"urls": urls, "extract_effort": "auto"},
).json()

A 2 créditos por URL, el extract añade ~12 créditos/día para 3 temas.

Paso 4: el prompt de resumen

El prompt define la voz del briefing. Punto de partida:

You are an assistant that writes a morning briefing in <Sarah's> voice:
direct, no fluff, no marketing language.

Input: a JSON list of {topic, headlines, extracted_bodies}.

Output rules:
- 1 short paragraph per topic, max 60 words.
- Each paragraph ends with up to 3 inline source links.
- If a topic has fewer than 2 substantive stories overnight, omit it.
- If the entire briefing has fewer than 2 substantive topics, output the
  literal token SKIP and nothing else.
- Never editorialise. Quote facts and figures verbatim from the sources.

Output format: Slack-flavoured markdown.

La regla 'SKIP cuando hay poca señal' es el ROI más alto. Es la razón por la que tu briefing no será silenciado.

Paso 5: publicar y programar

El cron Python entero cabe en menos de 80 líneas. Publicación en Slack:

if briefing.strip() == "SKIP":
    return
requests.post(
    SLACK_WEBHOOK_URL,
    json={"text": briefing, "username": "Morning Briefing", "icon_emoji": ":sunrise:"},
)

Programa con Vercel Cron (en vercel.json), GitHub Actions, AWS EventBridge o n8n. Lánzalo a las 7:45 de tu zona — para que ya esté esperándote a las 8.

Versión sin código en n8n

• Schedule trigger — diario, 7:45 zona usuario.
• HTTP Request (uno por tema), POST /api/search/news con start_date de ayer.
• Merge combina los resultados.
• HTTP Request a /api/extract con las URLs top.
• OpenAI / Anthropic ejecuta el prompt.
• If filtra los SKIP.
• Slack publica.

Qué vigilar en producción

• Drift de tema. 'AI agents' se vuelve demasiado amplio en 6 meses — el índice crece, tu briefing debe permanecer específico. Refina queries trimestralmente.
• Repetición entre días. Pásale al modelo las URLs del día anterior con 'don't re-cover stories from this list'.
• Fines de semana flojos. La regla SKIP ya lo gestiona; no ancles tu rutina diaria al briefing.

Itera, no lances y olvides

Lee el briefing cada mañana durante una semana. Anota dónde el modelo mintió, mal categorizó o se le escapó algo. Actualiza el prompt. Una semana después el briefing se vuelve hábito — y has construido un agente operativo con ~80 líneas de código y tres llamadas API.

Escrito por

Sarah Choy

CEO, API Pick

Sarah Choy es la CEO de API Pick. Escribe sobre cómo construir APIs listas para producción para agentes de IA y flujos de trabajo con LLMs.