--- title: "Construyendo un agente de inteligencia de reseñas multifuente con CrewAI y Bright Data" slug: review-intelligence-agent date: 2025-08-27T11:08:10+00:00 modified: 2026-08-26T14:40:10+00:00 permalink: https://brightdata.es/blog/ai/review-intelligence-agent type: blog --- [ Blog ](https://brightdata.es/blog "Blog") / [AI](https://brightdata.es/blog/ai) [AI](https://brightdata.es/blog/ai) # Construyendo un agente de inteligencia de reseñas multifuente con CrewAI y Bright Data Descubre paso a paso cómo construir un agente de inteligencia de reseñas automatizado con CrewAI y Bright Data, convirtiendo el feedback de clientes en insights procesables. 11 min de lectura [ ![Arindam Majumder](https://media.brightdata.es/2025/07/Arindam-Majumder-50x50.jpg) ](https://brightdata.com/blog/authors/arindam-majumder) [Arindam Majumder Technical Writer ](https://brightdata.com/blog/authors/arindam-majumder) ![Intelligence Agent with CrewAI and Bright Data blog image](https://media.brightdata.es/2025/08/Intelligence-Agent-with-CrewAI-and-Bright-Data-blog-image.png) Las reseñas de clientes dispersas en múltiples plataformas crean desafíos de análisis para las empresas. El monitoreo manual de reseñas consume mucho tiempo y a menudo pasa por alto información esencial. Esta guía te muestra cómo construir un agente de IA que recopila, analiza y categoriza automáticamente reseñas de diferentes fuentes. Aprenderás: - Cómo construir un sistema de inteligencia de reseñas usando CrewAI y el Bright Data MCP de Bright Data - Cómo realizar análisis de sentimiento basado en aspectos sobre el feedback de clientes - Cómo categorizar reseñas por tema y generar información procesable ¡Consulta el proyecto final en [GitHub](https://github.com/brightdata/review-intelligence-agent)! ### ¿Qué es CrewAI? CrewAI es un framework de código abierto para construir equipos colaborativos de agentes de IA. Defines roles, objetivos y herramientas para los agentes que ejecutan flujos de trabajo complejos. Cada agente maneja tareas específicas mientras trabaja en conjunto hacia un objetivo común. CrewAI se compone de: - Agente: Un trabajador impulsado por LLM con responsabilidades y herramientas definidas - Tarea: Un trabajo específico con requisitos de salida claros - Herramienta: Funciones que los agentes usan para trabajo especializado, como la extracción de datos - Crew: Una colección de agentes trabajando juntos ### ¿Qué es MCP? MCP (Model Context Protocol) es un estándar JSON-RPC 2.0 que conecta agentes de IA a herramientas externas y fuentes de datos a través de una interfaz unificada. [El servidor Bright Data MCP de Bright Data](/ai/mcp-server) proporciona acceso directo a capacidades de scraping web con protección anti-bot a través de 400M+ proxies residenciales rotativos, renderizado de JavaScript para contenido dinámico, salida JSON limpia de los datos extraídos y más de 50 herramientas listas para usar en diferentes plataformas. ### Qué estamos construyendo: Agente de inteligencia de reseñas multifuente Crearemos un sistema CrewAI que extrae automáticamente reseñas de empresas específicas desde múltiples plataformas como G2, Capterra, Trustpilot y TrustRadius, obteniendo la puntuación de cada una y las mejores reseñas, realiza análisis de sentimiento basado en aspectos, categoriza el feedback en temas (Soporte, Precios, Facilidad de uso), puntúa el sentimiento por categoría y genera información de negocio procesable. ## Requisitos previos Configura tu entorno de desarrollo con: - Python 3.11 o superior - Node.js y npm para el servidor Bright Data MCP - **Cuenta de Bright Data** – [Regístrate](/) y crea un token de API (hay créditos de prueba gratuita disponibles). - **Clave API de Nebius** – Crea una clave en [Nebius AI Studio](https://studio.nebius.com/playground) (haz clic en **+ Get API Key**). Puedes usarla de forma gratuita. No se requiere perfil de facturación. - **Entorno virtual de Python** – Mantiene las dependencias aisladas; consulta la [documentación de `venv`](https://docs.python.org/3/library/venv.html). ### Configuración del entorno Crea el directorio de tu proyecto e instala las dependencias: ```none python -m venv venv # macOS/Linux: source venv/bin/activate # Windows: venv\\Scripts\\activate pip install "crewai-tools[mcp]" crewai mcp python-dotenv pandas textblob ``` Crea un nuevo archivo llamado `review_intelligence.py` y añade las siguientes importaciones: ```none from crewai import Agent, Task, Crew, Process from crewai_tools import MCPServerAdapter from mcp import StdioServerParameters from crewai.llm import LLM import os import json import pandas as pd from datetime import datetime from dotenv import load_dotenv from textblob import TextBlob load_dotenv() ``` ### Configuración del Bright Data MCP de Bright Data Crea un archivo `.env` con tus credenciales: ```none BRIGHT_DATA_API_TOKEN="your_api_token_here" WEB_UNLOCKER_ZONE="your_web_unlocker_zone" BROWSER_ZONE="your_browser_zone" NEBIUS_API_KEY="your_nebius_api_key" ``` Necesitas: - **Token de API**: Genera un nuevo token de API desde tu panel de control de Bright Data - **Zona Web Unlocker**: Crea una nueva zona Web Unlocker para sitios de bienes raíces - **Zona Browser API**: Crea una nueva zona Browser API para sitios de propiedades con mucho JavaScript - **Clave API de Nebius**: Ya creada en los requisitos previos Configura el LLM y el servidor Bright Data MCP en `review_intelligence.py`: ```none llm = LLM( model="nebius/Qwen/Qwen3-30B-A3B", api_key=os.getenv("NEBIUS_API_KEY") ) server_params = StdioServerParameters( command="npx", args=["@brightdata/mcp"], env={ "API_TOKEN": os.getenv("BRIGHT_DATA_API_TOKEN"), "WEB_UNLOCKER_ZONE": os.getenv("WEB_UNLOCKER_ZONE"), "BROWSER_ZONE": os.getenv("BROWSER_ZONE"), }, ) ``` ### Definición de agentes y tareas Define agentes especializados para diferentes aspectos del análisis de reseñas. El agente scraper de reseñas extrae reseñas de clientes de múltiples plataformas y devuelve datos JSON limpios y estructurados con texto de reseña, puntuaciones, fechas y fuente de plataforma. Este agente tiene conocimiento experto en scraping web, con un profundo entendimiento de las estructuras de plataformas de reseñas y la capacidad de eludir medidas anti-bot. ```none def build_review_scraper_agent(mcp_tools): return Agent( role="Review Data Collector", goal=( "Extract customer reviews from multiple platforms and return clean, " "structured JSON data with review text, ratings, dates, and platform source." ), backstory=( "Expert in web scraping with deep knowledge of review platform structures. " "Skilled at bypassing anti-bot measures and extracting complete review datasets " "from Amazon, Yelp, Google Reviews, and other platforms." ), tools=mcp_tools, llm=llm, max_iter=3, verbose=True, ) ``` ![el agente mostrando las reseñas](https://media.brightdata.es/2025/08/image-151.png)El agente analizador de sentimiento analiza el sentimiento de las reseñas en tres aspectos clave: Calidad del soporte, Satisfacción con los precios y Facilidad de uso. Proporciona puntuaciones numéricas y razonamiento detallado para cada categoría. Este agente se especializa en procesamiento del lenguaje natural y análisis de sentimiento de clientes, con experiencia en identificar indicadores emocionales y patrones de feedback específicos por aspecto. ```none def build_sentiment_analyzer_agent(): return Agent( role="Sentiment Analysis Specialist", goal=( "Analyze review sentiment across three key aspects: Support Quality, " "Pricing Satisfaction, and Ease of Use. Provide numerical scores and " "detailed reasoning for each category." ), backstory=( "Data scientist specializing in natural language processing and customer " "sentiment analysis. Expert at identifying emotional indicators, context clues, " "and aspect-specific feedback patterns in customer reviews." ), llm=llm, max_iter=2, verbose=True, ) ``` El agente generador de insights transforma los resultados del análisis de sentimiento en información de negocio procesable. Identifica tendencias, destaca problemas críticos y proporciona recomendaciones específicas de mejora. Este agente aporta experiencia en análisis estratégico con habilidades en optimización de la experiencia del cliente y traducción de datos de feedback en acciones de negocio concretas. ```none def build_insights_generator_agent(): return Agent( role="Business Intelligence Analyst", goal=( "Transform sentiment analysis results into actionable business insights. " "Identify trends, highlight critical issues, and provide specific " "recommendations for improvement." ), backstory=( "Strategic analyst with expertise in customer experience optimization. " "Skilled at translating customer feedback data into concrete business " "actions and priority frameworks." ), llm=llm, max_iter=2, verbose=True, ) ``` ### Ensamblaje y ejecución del crew Crea tareas para cada etapa del pipeline de análisis. La tarea de scraping recopila reseñas de las páginas de producto especificadas y produce JSON estructurado con información de plataforma, texto de reseña, puntuaciones, fechas y estado de verificación. ```none def build_scraping_task(agent, product_urls): return Task( description=f"Scrape reviews from these product pages: {product_urls}", expected_output="""{ "reviews": [ { "platform": "amazon", "review_text": "Great product, fast shipping...", "rating": 5, "date": "2024-01-15", "reviewer_name": "John D.", "verified_purchase": true } ], "total_reviews": 150, "platforms_scraped": ["amazon", "yelp"] }""", agent=agent, ) ``` La tarea de análisis de sentimiento procesa las reseñas para analizar los aspectos de Soporte, Precios y Facilidad de uso. Devuelve puntuaciones numéricas, clasificaciones de sentimiento, temas clave y conteos de reseñas para cada categoría. ```none def build_sentiment_analysis_task(agent): return Task( description="Analyze sentiment for Support, Pricing, and Ease of Use aspects", expected_output="""{ "aspect_analysis": { "support_quality": { "score": 4.2, "sentiment": "positive", "key_themes": ["responsive", "helpful", "knowledgeable"], "review_count": 45 }, "pricing_satisfaction": { "score": 3.1, "sentiment": "mixed", "key_themes": ["expensive", "value", "competitive"], "review_count": 67 }, "ease_of_use": { "score": 4.7, "sentiment": "very positive", "key_themes": ["intuitive", "simple", "user-friendly"], "review_count": 89 } } }""", agent=agent, ) ``` La tarea de insights genera inteligencia de negocio procesable a partir de los resultados del análisis de sentimiento. Proporciona resúmenes ejecutivos, acciones prioritarias, áreas de riesgo, identificación de fortalezas y recomendaciones estratégicas. ```none def build_insights_task(agent): return Task( description="Generate actionable business insights from sentiment analysis", expected_output="""{ "executive_summary": "Overall customer satisfaction is strong...", "priority_actions": [ "Address pricing concerns through value communication", "Maintain excellent ease of use standards" ], "risk_areas": ["Price sensitivity among new customers"], "strengths": ["Intuitive user experience", "Quality support team"], "recommended_focus": "Pricing strategy optimization" }""", agent=agent, ) ``` ### **Análisis de sentimiento basado en aspectos** Añade funciones de análisis de sentimiento que identifiquen aspectos específicos mencionados en las reseñas y calculen puntuaciones de sentimiento para cada área de interés. ```none def analyze_aspect_sentiment(reviews, aspect_keywords): """Analyze sentiment for specific aspects mentioned in reviews.""" aspect_reviews = [] for review in reviews: text = review.get('review_text', '').lower() if any(keyword in text for keyword in aspect_keywords): blob = TextBlob(review['review_text']) sentiment_score = blob.sentiment.polarity aspect_reviews.append({ 'text': review['review_text'], 'sentiment_score': sentiment_score, 'rating': review.get('rating', 0), 'platform': review.get('platform', '') }) return aspect_reviews ``` ### Categorización de reseñas en temas (Soporte, Precios, Facilidad de uso) La función de categorización organiza las reseñas en temas de Soporte, Precios y Facilidad de uso basándose en la coincidencia de palabras clave. Las palabras clave de soporte incluyen términos relacionados con el servicio al cliente y la asistencia. Las palabras clave de precios cubren menciones de costos, valor y asequibilidad. ```none def categorize_by_aspects(reviews): """Categorize reviews into Support, Pricing, and Ease of Use topics.""" support_keywords = ['support', 'help', 'service', 'customer', 'response', 'assistance'] pricing_keywords = ['price', 'cost', 'expensive', 'cheap', 'value', 'money', 'affordable'] usability_keywords = ['easy', 'difficult', 'intuitive', 'complicated', 'user-friendly', 'interface'] categorized = { 'support': analyze_aspect_sentiment(reviews, support_keywords), 'pricing': analyze_aspect_sentiment(reviews, pricing_keywords), 'ease_of_use': analyze_aspect_sentiment(reviews, usability_keywords) } return categorized ``` ![agente devolviendo las reseñas categorizadas](https://media.brightdata.es/2025/08/image-152.png)### **Puntuación del sentimiento para cada tema** Implementa la lógica de puntuación que convierte el análisis de sentimiento en calificaciones numéricas y categorías significativas. ```none def calculate_aspect_scores(categorized_reviews): """Calculate numerical scores for each aspect category.""" scores = {} for aspect, reviews in categorized_reviews.items(): if not reviews: scores[aspect] = {'score': 0, 'count': 0, 'sentiment': 'neutral'} continue # Calculate average sentiment score sentiment_scores = [r['sentiment_score'] for r in reviews] avg_sentiment = sum(sentiment_scores) / len(sentiment_scores) # Convert to 1-5 scale normalized_score = ((avg_sentiment + 1) / 2) * 5 # Determine sentiment category if avg_sentiment > 0.3: sentiment_category = 'positive' elif avg_sentiment < -0.3: sentiment_category = 'negative' else: sentiment_category = 'neutral' scores[aspect] = { 'score': round(normalized_score, 1), 'count': len(reviews), 'sentiment': sentiment_category, 'raw_sentiment': round(avg_sentiment, 2) } return scores ``` ### **Generación del informe final de insights** Completa la ejecución del flujo de trabajo orquestando todos los agentes y tareas en secuencia. La función principal crea agentes especializados para scraping, análisis de sentimiento y generación de insights. Ensambla estos agentes en un crew con procesamiento secuencial de tareas. ```none def analyze_reviews(product_urls): """Main function to orchestrate the review intelligence workflow.""" with MCPServerAdapter(server_params) as mcp_tools: # Create agents scraper_agent = build_review_scraper_agent(mcp_tools) sentiment_agent = build_sentiment_analyzer_agent() insights_agent = build_insights_generator_agent() # Create tasks scraping_task = build_scraping_task(scraper_agent, product_urls) sentiment_task = build_sentiment_analysis_task(sentiment_agent) insights_task = build_insights_task(insights_agent) # Assemble crew crew = Crew( agents=[scraper_agent, sentiment_agent, insights_agent], tasks=[scraping_task, sentiment_task, insights_task], process=Process.sequential, verbose=True ) return crew.kickoff() if __name__ == "__main__": product_urls = [ "", "" ] try: result = analyze_reviews(product_urls) print("Review Intelligence Analysis Complete!") print(json.dumps(result, indent=2)) except Exception as e: print(f"Analysis failed: {str(e)}") ``` Ejecuta el análisis: ```none python review_intelligence.py ``` ![Agente iniciando la tarea](https://media.brightdata.es/2025/08/image-153.png)Verás el proceso de pensamiento del agente en la consola mientras cada agente planifica y ejecuta sus tareas. El sistema mostrará cómo está: 1. Extrayendo datos completos de reseñas de múltiples plataformas 2. Analizando brechas competitivas y posicionamiento en el mercado 3. Procesando patrones de sentimiento y puntuando la calidad de las reseñas 4. Identificando menciones de características e inteligencia de precios 5. Proporcionando recomendaciones estratégicas y alertas de riesgo ![Resultados finales del análisis](https://media.brightdata.es/2025/08/image-154.png)### Conclusión Al automatizar la inteligencia de reseñas con CrewAI y la potente [infraestructura de datos web](/) de Bright Data, puedes descubrir insights más profundos sobre los clientes, optimizar tu análisis competitivo y tomar decisiones de negocio más inteligentes. Con los productos de Bright Data y sus soluciones de scraping web anti-bot líderes en la industria, estás equipado para escalar la recopilación de reseñas y el análisis de sentimiento en cualquier sector. Para conocer las últimas estrategias y novedades, explora el [blog de Bright Data](/blog) o consulta nuestras guías detalladas de scraping web para comenzar a maximizar el valor de tu feedback de clientes hoy mismo. Contactar ventasPrueba gratuita![google social icon](/wp-content/themes/brightdata/assets/images/ic_google.svg) Tabla de Contenidos Data for AI Supercharge your AI with instant and reliable access to web data. No blockers. No hassle. Talk to an expert Bright Data MCP Get started with Bright Data’s Web MCP Server today with 5000 free monthly requests and unlock your AI’s full potential. Start free now [ ](https://news.ycombinator.com/submitlink?t=Construyendo+un+agente+de+inteligencia+de+rese%C3%B1as+multifuente+con+CrewAI+y+Bright+Data&u=https://brightdata.es/blog/ai/review-intelligence-agent) [ ](https://www.linkedin.com/shareArticle?mini=true&title=Construyendo+un+agente+de+inteligencia+de+rese%C3%B1as+multifuente+con+CrewAI+y+Bright+Data&url=https://brightdata.es/blog/ai/review-intelligence-agent) [ ](http://www.reddit.com/submit?title=Construyendo+un+agente+de+inteligencia+de+rese%C3%B1as+multifuente+con+CrewAI+y+Bright+Data&url=https://brightdata.es/blog/ai/review-intelligence-agent) ## Usted también puede estar interesado en [ ![OpenHuman with Bright Data](https://media.brightdata.es/2026/09/OpenHuman-with-Bright-Data.png) ](https://brightdata.es/blog/ai/openhuman-with-bright-data "Acceso Web Listo para Producción en OpenHuman a Través de la CLI de Bright Data") [AI ![Antonello Zanini](https://media.brightdata.es/2022/12/Antonello-Zanini-2-50x50.jpg) Antonello Zanini Technical Writer ### Acceso Web Listo para Producción en OpenHuman a Través de la CLI de Bright Data Integra la CLI de Bright Data con OpenHuman para habilitar acceso web listo para producción y recopilación de datos para agentes de IA. 09-Sep-2026 14 min de lectura ](https://brightdata.es/blog/ai/openhuman-with-bright-data) [ ![Multimodal Web Scraping with MiniMax](https://media.brightdata.es/2026/09/Multimodal-Web-Scraping-with-MiniMax.png) ](https://brightdata.es/blog/datos-web/multimodal-web-scraping-with-minimax "Scraping Web Multimodal con MiniMax") [Datos web ![Antonello Zanini](https://media.brightdata.es/2022/12/Antonello-Zanini-2-50x50.jpg) Antonello Zanini Technical Writer ### Scraping Web Multimodal con MiniMax Combina Bright Data Web Unlocker con la visión de MiniMax M3 para extraer datos estructurados de imágenes y capturas de pantalla de páginas web. 09-Sep-2026 5 min de lectura ](https://brightdata.es/blog/datos-web/multimodal-web-scraping-with-minimax) [ ![The 10 Best CLI Tools for Codex in 2026](https://media.brightdata.es/2026/08/The-10-Best-CLI-Tools-for-Codex-in-2026.png) ](https://brightdata.es/blog/ai/best-cli-tools-for-codex "Las 10 mejores herramientas CLI para Codex en 2026 – Probadas y clasificadas") [AI ![Daniel Shashko](https://media.brightdata.es/2022/04/Daniel-Shashko-2-50x50.png) Daniel Shashko Web Data & AI Expert ### Las 10 mejores herramientas CLI para Codex en 2026 – Probadas y clasificadas Las 10 herramientas CLI que hacen a Codex más rápido y capaz, comenzando con la Bright Data CLI para acceso web real desde dentro del sandbox. 06-Sep-2026 24 min de lectura ](https://brightdata.es/blog/ai/best-cli-tools-for-codex)