← 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
Fundamentos 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 →
Agentes 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 →
MCP 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 →
Context 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 →- Embeddings 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 →
- Fundamentos 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 →
RAG 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 →- Técnicas 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 →
Memoria 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 →
LangChain 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 →
Orquestación 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 →
Agentes 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 →
Frameworks 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 →
Seguridad 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 →
Optimización 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 →
Agentes 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 →
Agentes 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 →
Tu equipo diseña, evalúa y opera agentes que hacen trabajo real, con el costo y la seguridad bajo control.