[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"pack-detail-workflow-orchestration-es":3,"seo:pack:workflow-orchestration:es":82},{"code":4,"message":5,"data":6},200,"操作成功",{"pack":7},{"slug":8,"icon":9,"tone":10,"status":11,"status_label":12,"title":13,"description":14,"items":15,"install_cmd":81},"workflow-orchestration","🔄","#7E22CE","stable","Estable","Orquestación de Flujos","n8n, Prefect, Inngest, Kestra, Activepieces — motores duraderos que envuelven agentes IA con cron, reintentos y observabilidad.",[16,28,35,42,51,59,67,74],{"id":17,"uuid":18,"slug":19,"title":20,"description":21,"author_name":22,"view_count":23,"vote_count":24,"lang_type":25,"type":26,"type_label":27},32,"ab76a229-0dc7-48bc-8b29-95ef9c2c45a9","awesome-n8n-workflow-automation-template-collection-ab76a229","Awesome n8n — Workflow Automation Template Collection","Curated n8n workflow templates for data sync, notifications, CRM automation, and more. Import directly into your n8n instance.","n8n",655,0,"en","skill","Skill",{"id":29,"uuid":30,"slug":31,"title":32,"description":33,"author_name":22,"view_count":34,"vote_count":24,"lang_type":25,"type":26,"type_label":27},484,"9de58e04-c1b8-401d-ab38-57553197bb55","n8n-code-ai-agent-superpowers-n8n-9de58e04","n8n-as-code — AI Agent Superpowers for n8n","Give your AI agent n8n superpowers with 537 node schemas, 7,700+ templates, and TypeScript workflow definitions. Works with Claude Code, Cursor, VS Code, and OpenClaw. MIT license.",384,{"id":36,"uuid":37,"slug":38,"title":39,"description":40,"author_name":22,"view_count":41,"vote_count":24,"lang_type":25,"type":26,"type_label":27},165,"b7ec9ae7-1144-42f0-9335-a5f40fbd6605","n8n-ai-native-workflow-automation-b7ec9ae7","n8n — AI-Native Workflow Automation","Open-source workflow automation with 400+ integrations and built-in AI capabilities. Build AI agents, RAG pipelines, and automation workflows with a visual editor.",395,{"id":43,"uuid":44,"slug":45,"title":46,"description":47,"author_name":22,"view_count":48,"vote_count":24,"lang_type":25,"type":49,"type_label":50},516,"4635d46c-cbf7-4be7-837e-95818241a46c","n8n-mcp-server-build-automations-ai-1-396-nodes-4635d46c","n8n MCP Server — Build Automations with AI, 1,396 Nodes","MCP server giving AI agents access to 1,396 n8n nodes and 2,709 workflow templates. Build and manage n8n automations through natural language.",285,"mcp","MCP",{"id":52,"uuid":53,"slug":54,"title":55,"description":56,"author_name":57,"view_count":58,"vote_count":24,"lang_type":25,"type":26,"type_label":27},305,"dfa1e8d2-b7e4-467b-b156-41a008ac26a9","prefect-python-workflow-orchestration-dfa1e8d2","Prefect — Python Workflow Orchestration","Prefect orchestrates resilient data pipelines in Python with scheduling, retries, caching, and event-driven automation. 22K+ stars. Apache 2.0.","AI Open Source",326,{"id":60,"uuid":61,"slug":62,"title":63,"description":64,"author_name":65,"view_count":66,"vote_count":24,"lang_type":25,"type":26,"type_label":27},873,"f09e8059-33e5-11f1-9bc6-00163e2b0d79","inngest-durable-ai-workflow-orchestration-f09e8059","Inngest — Durable AI Workflow Orchestration","Run reliable AI workflows with automatic retries and state persistence. Replace queues and scheduling with durable step functions. TypeScript, Python, Go SDKs. 5,200+ stars.","Inngest",302,{"id":68,"uuid":69,"slug":70,"title":71,"description":72,"author_name":57,"view_count":73,"vote_count":24,"lang_type":25,"type":26,"type_label":27},880,"556ae291-349d-11f1-9bc6-00163e2b0d79","kestra-event-driven-orchestration-scheduling-platform-556ae291","Kestra — Event-Driven Orchestration & Scheduling Platform","Kestra is an open-source orchestration platform for scheduling and running complex data pipelines, ETL jobs, and automation workflows with declarative YAML.",338,{"id":75,"uuid":76,"slug":77,"title":78,"description":79,"author_name":57,"view_count":80,"vote_count":24,"lang_type":25,"type":26,"type_label":27},206,"13ddf27d-3f2e-4967-b0ba-8f999942d4e9","activepieces-open-source-ai-workflow-automation-13ddf27d","Activepieces — Open-Source AI Workflow Automation","Open-source workflow automation with 400+ integrations and AI agent support. Visual builder, MCP server compatibility, self-hostable alternative to Zapier. 21K+ stars.",282,"tokrepo install pack\u002Fworkflow-orchestration",{"pageType":83,"pageKey":8,"locale":84,"title":85,"metaDescription":86,"h1":13,"tldr":87,"bodyMarkdown":88,"faq":89,"schema":105,"internalLinks":115,"citations":128,"wordCount":141,"generatedAt":142},"pack","es","Orquestación de Flujos: n8n, Prefect, Inngest, Kestra","Ocho motores durables — n8n, Prefect, Inngest, Kestra, Activepieces — que envuelven agentes IA con cron, reintentos y observabilidad. Instala con TokRepo.","Ocho motores durables de workflow que envuelven agentes IA con cron, reintentos automáticos y observabilidad — n8n, Prefect, Inngest, Kestra, Activepieces. Un comando TokRepo instala el stack completo y dejas de correr prompts desde un Jupyter en tmux.","## Qué incluye este pack\n\nEste pack reúne los **ocho motores de workflow nivel-producción** que los equipos IA usan cuando un prompt-en-loop deja de bastar. Cada uno resuelve el mismo trío — agendar, reintentar, observar — con ergonomía distinta. Elige por dónde ya vive tu equipo (Python, Node, no-code, JVM).\n\n| # | Motor | Mejor para |\n|---|---|---|\n| 1 | n8n | No-code \u002F low-code, 400+ integraciones, auto-alojable |\n| 2 | Prefect | Workflows Python-first de data + IA, DAGs dinámicos |\n| 3 | Inngest | TypeScript \u002F Node, step functions event-driven |\n| 4 | Kestra | YAML declarativo, JVM, ecosistema de plugins |\n| 5 | Activepieces | Alternativa OSS a Zapier, flujos con branching |\n| 6 | Trigger.dev | Jobs largos TypeScript con retries integrados |\n| 7 | Temporal | Primitivas de workflow distribuido para escala seria |\n| 8 | Windmill | Scripts polyglot (Python\u002FTS\u002FBash\u002FGo) con UI |\n\nTodos open source y auto-alojables. La mayoría tiene tier SaaS, pero este pack documenta primero el path OSS.\n\n## Por qué importa la orquestación para agentes IA\n\nLos prompts son deterministas la primera vez y cara o cruz después. Añade una acción real — llamar API, escribir DB, mandar Slack — y \"falló una vez a las 3am\" se vuelve evento semanal. Un motor de workflow resuelve tres cosas:\n\n1. **Idempotencia.** Los steps pueden re-ejecutarse a salvo. Si la llamada LLM tuvo éxito pero el siguiente step crasheó, el retry no re-cobra la API.\n2. **Backoff y dead-letter.** Steps fallidos reintentarán con backoff exponencial, luego caen en DLQ donde un humano inspecciona.\n3. **Observabilidad.** Cada step queda registrado con inputs, outputs, latencia y costo. Cuando el agente hace algo raro puedes replayear el contexto exacto que vio.\n\nSin esto, tu agente es un Jupyter notebook con pasos extra. Con esto, es un servicio.\n\n## Instala en un comando\n\n```bash\n# Instala el pack completo (manifiestos para los 8 motores)\ntokrepo install pack\u002Fworkflow-orchestration\n\n# O elige el que usa tu equipo\ntokrepo install n8n\ntokrepo install prefect\ntokrepo install inngest\n```\n\nEl manifiesto TokRepo te da puntos de partida Docker Compose \u002F Helm más defaults agente-amigables (claves de idempotencia, políticas de retry, hooks de observabilidad). Usa `tokrepo uninstall \u003Cslug>` para retirar.\n\n## Trampas comunes\n\n- **Tratar retries como infinitos.** Los counts default en la mayoría son 3–5. Si tu LLM provider tiene mala hora, quemas el presupuesto y aún fallas. Cap a 3 para llamadas LLM pagadas y rutea el fallo a un fallback más lento.\n- **Claves de idempotencia mal hechas.** Error común: usar `request_id` que cambia por retry. Usa hash de input para que retries deduplicen contra la misma tarea lógica.\n- **Falta observabilidad de costo de tokens.** Los orquestadores vanilla registran latencia pero no gasto LLM. Envuelve la llamada al modelo para emitir `tokens_in \u002F tokens_out \u002F cost_usd` por step, si no te pasas del presupuesto sin saber qué workflow lo hizo.\n- **Granularidad de scheduler equivocada.** Motores cron-based (n8n, Activepieces) sufren con triggers sub-minuto. Si necesitas event-driven sub-segundo, usa Inngest, Trigger.dev o Temporal.\n- **Alojar el motor en el mismo nodo que el agente.** Un agente desbocado te OOM-eará el orquestador. Corre el motor en nodo o contenedor separado con límites duros de memoria.\n\n## Cuándo este pack solo no basta\n\nLa orquestación es la capa de *durabilidad*. No te da el agente, ni el gateway LLM, ni el eval. Combina con:\n\n- **Python Agent Frameworks** para el código del agente que corre dentro de cada step\n- **MCP Server Stack** si quieres que los triggers del orquestador sean llamables por agentes IA vía MCP\n- **LLM Eval & Guardrails** para meter un step de eval en cada workflow antes de que la salida llegue a producción\n\nJuntos esos cuatro packs son el stack mínimo para cualquier workflow IA que dejes correr sin supervisión.",[90,93,96,99,102],{"q":91,"a":92},"¿La orquestación de workflows es gratis?","Los ocho motores del pack son open source y auto-alojables en tier gratis. n8n, Prefect, Inngest, Kestra, Activepieces, Trigger.dev, Temporal y Windmill publican imágenes OSS Docker. Trade-off: tú operas el motor — DB, colas, escalado. Hay tiers SaaS (n8n Cloud, Prefect Cloud, Inngest Cloud) si prefieres pagar a operar.",{"q":94,"a":95},"¿Cómo se compara con cron + un script Python?","Cron no tiene retries, ni idempotencia, ni observabilidad, ni DLQ. Tu script tiene éxito o corre de nuevo en el siguiente intervalo. Para un agente IA que llama APIs facturadas y produce side effects, no es seguro. La versión más barata de este pack — Inngest free + Vercel function — es la superficie equivalente a cron pero con retries y UI gratis.",{"q":97,"a":98},"¿Funcionará con agentes Claude Code o Cursor?","Sí, pero indirectamente. Claude Code y Cursor son agentes de código interactivos — corren en tu laptop. Los motores corren en server. Patrón: Claude Code escribe el código del agente, lo envuelves en una step function (Inngest, Prefect task), el motor lo corre en horario. Al motor no le importa que el step llame a la API de Claude.",{"q":100,"a":101},"¿Diferencia vs Apache Airflow?","Airflow existe y funciona, pero su modelo DAG-como-Python y el tick lento de scheduler lo hacen mal fit para agentes IA que necesitan event-driven sub-segundo y branching dinámico frecuente. Prefect, Inngest y Temporal nacieron como 'Airflow moderno'. Dejamos Airflow fuera porque cada equipo que lo prueba para agentes IA migra en seis meses.",{"q":103,"a":104},"¿Trampa operativa que debería planear?","Backpressure. Cuando un proveedor LLM downstream se enlentece, las colas del orquestador se hinchan y le hacen OOM al motor. Configura límites de concurrencia por cola y un rate limiter global a salidas LLM antes de escalar a producción. Inngest y Trigger.dev lo traen built-in; n8n y Prefect requieren config explícita.",{"@context":106,"@type":107,"name":108,"description":109,"numberOfItems":110,"publisher":111},"https:\u002F\u002Fschema.org","CollectionPage","Workflow Orchestration","n8n, Prefect, Inngest, Kestra, Activepieces — durable workflow engines that wrap AI agents in cron, retries, and observability.",8,{"@type":112,"name":113,"url":114},"Organization","TokRepo","https:\u002F\u002Ftokrepo.com",[116,120,124],{"url":117,"anchor":118,"reason":119},"\u002Fes\u002Fpacks\u002Fpython-agent-frameworks","Frameworks Agentes Python","la capa agente que corre dentro de estos orquestadores",{"url":121,"anchor":122,"reason":123},"\u002Fes\u002Fpacks\u002Fmcp-server-stack","Stack de Servidores MCP","expón triggers del orquestador a agentes IA vía MCP",{"url":125,"anchor":126,"reason":127},"\u002Fes\u002Fpacks\u002Fllm-eval-guardrails","Eval & Guardrails LLM","cablea pasos de eval en un flujo durable",[129,133,137],{"claim":130,"source_name":131,"source_url":132},"Prefect provides durable task scheduling, retries, and observability for Python workflows","Prefect docs","https:\u002F\u002Fdocs.prefect.io\u002F",{"claim":134,"source_name":135,"source_url":136},"n8n is a fair-code workflow automation platform with 400+ integrations","n8n GitHub","https:\u002F\u002Fgithub.com\u002Fn8n-io\u002Fn8n",{"claim":138,"source_name":139,"source_url":140},"Inngest provides durable functions and event-driven step orchestration","Inngest docs","https:\u002F\u002Fwww.inngest.com\u002Fdocs",645,"2026-05-02T15:00:00Z"]