AVANZADO · 8 MÓDULOS · 64 LECCIONES
Optimización de costos y caché
Baja la factura de tu sistema con LLMs con ahorros que puedes medir y defender: prompts más cortos, caché del proveedor, caché propio, modelo adecuado y procesamiento por lotes.
- Es para ti si
- Ya mides cuánto te cuesta tu aplicación con IA y ahora necesitas reducirlo.
- Al terminar
- Sabrás de dónde sale cada dólar, qué palanca aplicar primero y cómo demostrar el ahorro con un benchmark reproducible.
- Necesitas
- Python intermedio, haber usado una API de LLM y Docker para Redis. Llave de API opcional.

Temario
01AI Cost Anatomy
03Prompt Optimization for Cost
- Introducción a Prompt Optimization for Cost
- System Prompt Optimization
- User Prompt Templates Eficientes
- Few-Shot Examples: Mínimo Efectivo
- Context Window Optimization: Deja de Pagar por Contexto Desperdiciado
- Validación de Calidad Post-Optimización
- Pipeline de Optimización Automatizado
- Proyecto: Prompt Optimization Pipeline
04Prompt caching del proveedor
- Introducción: el caché del proveedor va primero
- Cómo funciona el prompt caching del proveedor
- `cache_control` en Anthropic: breakpoints, TTL y precios
- Medir hits y calcular el punto de equilibrio
- El caching automático de OpenAI
- Diseñar prompts estables para el caché
- Caché en conversaciones, herramientas y agentes
- Proyecto: capa de caché del proveedor
07Advanced Optimization Strategies
- Introducción: el modelo correcto, con el esfuerzo correcto, en el momento correcto
- Marco de selección de modelo: precio, effort y costo por tarea
- Clasificación de complejidad: saber qué tipo de pregunta llegó
- Routing por costo: clasificar, elegir, llamar y registrar
- Batch APIs del proveedor: la mitad del precio a cambio de esperar
- Estrategias por niveles: probar barato primero y escalar con un control de calidad
- Latencia contra costo contra calidad: elegir con restricciones
- Proyecto: router por costo para Tienda Lumen
08Proyecto integrador: reducción de costos medida
Reseñas
Lo que dicen los estudiantes
Estas reseñas son de estudiantes inscritos que completaron al menos el 50% del curso. Moderamos las reseñas solo por motivos de contenido (spam, lenguaje ofensivo, datos personales), nunca por ser críticas o negativas.
Aún no hay reseñas aprobadas.
¡Sé el primero en compartir tu experiencia!