← Todas las rutas

Agentes de IA en producción

Agentes que ejecutan tareas reales, no chatbots de demo: tool calling, los SDKs de agentes de Claude y OpenAI, MCP, ingeniería de contexto, RAG sobre documentos reales, memoria, orquestación multi-agente, evals, seguridad y sandboxing, costo y operación de agentes en producción.

Recorrido
17 guías · 928 lecciones
Nivel
Básico a avanzado
Empezar por la guía 01
  1. Estación 01 · Básico · 64 leccionesFundamentos de agentes y tool callingEntiende desde cero cómo un modelo de IA pasa de responder a actuar: construye un agente con herramientas, su bucle de decisiones y manejo de errores en Python.Empezar →
  2. Estación 02 · Intermedio · 64 leccionesAgentes con SDKs reales: Claude Agent SDK y OpenAI Agents SDKConstruye el mismo agente con el SDK de Anthropic y el de OpenAI, con aprobación humana y control de costo, y elige con datos cuál te conviene.Abrir →
  3. Estación 03 · Intermedio · 64 leccionesMCP a fondoExpón las herramientas de tu agente por MCP construyendo a mano un servidor y un cliente, para entender el protocolo de verdad y no solo un SDK.Abrir →
  4. Estación 04 · Intermedio · 64 leccionesContext engineeringDecide con disciplina qué entra en la ventana de contexto de un modelo: presupuesta tokens, ordena y comprime la información y mide el efecto de cada cambio.Abrir →
  5. Estación 05 · BásicoEmbeddings a fondoConvierte texto en vectores que tu equipo puede buscar: compara modelos de embeddings, elige la métrica de distancia correcta, divide con criterio y mide la calidad de la búsqueda antes de llegar a producción.Abrir →
  6. Estación 06 · IntermedioFundamentos de bases de datos vectorialesEntiende cómo funcionan por dentro las bases de datos vectoriales, por qué un sistema RAG necesita una y cómo elegir la correcta para el proyecto de tu equipo.Abrir →
  7. Estación 07 · Intermedio · 64 leccionesRAG en producción e ingesta de documentosDale a tu agente acceso confiable a documentos reales: límpialos, divídelos con criterio, búscalos como una herramienta más y cita la fuente en cada respuesta.Abrir →
  8. Estación 08 · IntermedioTécnicas avanzadas de RAGLleva un sistema RAG más allá de lo básico: búsqueda híbrida, reranking, reescritura de consultas y evaluación, para que tu equipo vea qué cambio mejora de verdad las respuestas.Abrir →
  9. Estación 09 · Intermedio · 64 leccionesMemoria y estado en agentesDale a tu agente una memoria que sobrevive al cierre de la sesión: que recuerde a cada usuario, actualice lo que cambió y olvide cuando se lo pidan.Abrir →
  10. Estación 10 · Intermedio · 96 leccionesLangChain y LangGraph: de chains a agentesConstruye agentes y flujos de IA listos para producción, con memoria, aprobación humana y monitoreo, que van mucho más allá de un chatbot.Abrir →
  11. Estación 11 · Intermedio · 64 leccionesOrquestación multiagenteDecide cuándo vale la pena repartir el trabajo entre varios agentes y, cuando sí, coordínalos a mano en Python, sin depender de ningún framework.Abrir →
  12. Estación 12 · Avanzado · 64 leccionesAgentes de larga duración: el harnessConstruye el sistema que permite a un agente trabajar horas o días en muchas sesiones sin perder el hilo, sin repetir acciones y sin declarar terminado lo que no probó.Abrir →
  13. Estación 13 · Intermedio · 64 leccionesFrameworks de evaluaciónDescubre con evidencia si tu asistente con LLM funciona: lee sus conversaciones, encuentra en qué falla, mide cada falla con evaluadores confiables y decide cuándo está listo para lanzar.Abrir →
  14. Estación 14 · Avanzado · 64 leccionesSeguridad y sandboxing de agentesHaz que un agente con herramientas reales no pueda ser manipulado para borrar, gastar o filtrar datos, aunque el modelo o quien le escribe actúen con mala intención.Abrir →
  15. Estación 15 · Avanzado · 64 leccionesOptimización de costos y cachéBaja 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.Abrir →
  16. Estación 16 · Avanzado · 64 leccionesAgentes de computer use y de navegadorConstruye un agente que trabaja en sistemas sin API como lo haría una persona: mira la pantalla, hace clic, escribe, comprueba el resultado y pide permiso antes de lo irreversible.Abrir →
  17. Estación 17 · Avanzado · 64 leccionesAgentes en producciónLleva un agente de IA a producción y opéralo con trazas de cada paso, costo y latencia medidos y una prueba de regresión antes de cada cambio.Abrir →

Al llegar a la meta tienes

Tu equipo diseña, evalúa y opera agentes que hacen trabajo real, con el costo y la seguridad bajo control.

SEC. 06 · EL ESTUDIO

Por qué existe este estudio

Durante décadas, construir software fue cosa de perfiles técnicos con años de formación, y llevar un producto digital a la vida real le tomaba a las empresas meses o años. El no-code y la inteligencia artificial han acortado esa brecha, pero el conocimiento sigue en manos de unos cuantos.

Tech Benders existe para abrir ese conocimiento, para que los equipos de negocio y los perfiles no técnicos puedan poner sus ideas en producción con las decisiones técnicas correctas detrás. La IA hace lo que le pides. Sin una base técnica, lo que construye puede no escalar con el ecosistema de tu empresa, y sus costos se disparan con el tiempo.

El equipo conoce los dolores de las organizaciones grandes y la velocidad a la que tienen que moverse. Trae arquitectura de soluciones, ingeniería de datos, producto construido de punta a punta, del backend al frontend, y trabajo diario con IA. Software que resuelve lo que necesitas en días, no en meses, con los costos de la IA bajo control.

Fundadores

El estudioConoce Tech Benders →

Escríbenoshi@techbenders.io

Hecho con Wislab