Curso Completo de Ingeniería de Agentes de IA (2025)

Día 1 - Marcos de Agentes de IA Explicados: OpenAI SDK, Crew AI, LangGraph y AutoGen

Si quieres aprender:

• ¿Cuáles son los principales marcos de agentes de IA disponibles para desarrolladores?

• ¿Cómo se diferencian OpenAI SDK, Crew AI, LangGraph y AutoGen entre sí?

• ¿Cuál es el mejor marco de agentes de IA para diferentes casos de uso?

• ¿Cómo puedes construir agentes de IA prácticos y desplegables?

• ¿Cómo es un plan de estudios completo para el desarrollo de agentes de IA?

• ¿Cómo colaboran de manera efectiva múltiples agentes de IA?

¡Entonces esta lección es para ti!

Esta lección completa introduce los marcos fundamentales de agentes de IA que impulsan los sistemas modernos de IA Agente. Obtendrás una comprensión clara de la estructura del curso que abarca seis semanas, desde los conceptos fundamentales hasta las implementaciones avanzadas de múltiples agentes. La lección explora cuatro marcos principales: OpenAI SDK (elegante y flexible), Crew AI (favorito de los entusiastas de bajo código), LangGraph (sofisticado y potente) y AutoGen de Microsoft (que habilita la colaboración remota de agentes). El plan de estudios equilibra teoría con proyectos prácticos, incluyendo un agente de alter ego profesional, herramientas de investigación profunda, simulación de equipos de ingeniería y una plataforma de comercio en los mercados financieros. Al comprender los enfoques únicos de estos marcos, desde implementaciones de bajo código hasta código completo, estarás capacitado para seleccionar la herramienta adecuada para aplicaciones comerciales. El curso culmina con el Modelo Contextual de Anthropic (MCP), demostrando cómo diferentes modelos pueden conectarse y colaborar usando un protocolo común, representando la vanguardia de la orquestación de agentes de IA.

Día 1 - Configuración de Ingeniería de Agentes: Entendiendo Cursor IDE, UV y Opciones de API

Si quieres saber:

• ¿Cómo configurar un entorno de desarrollo óptimo para la ingeniería de agentes?

• ¿Qué herramientas como Cursor IDE y UV pueden hacer por tu flujo de trabajo de desarrollo de IA?

• ¿Qué opciones de API están disponibles para el desarrollo de agentes y cuáles son sus implicaciones de costo?

• ¿Cómo elegir entre LLMs basados en la nube y locales para tus proyectos?

• ¿Qué configuración de entorno es la más adecuada para principiantes frente a desarrolladores experimentados?

• ¿Cómo gestionar eficientemente las dependencias del proyecto para el desarrollo de agentes de IA?

¡Entonces esta lección es para ti!

Sumérgete en la fase esencial de configuración de la ingeniería de agentes con una visión general completa del entorno de desarrollo y las herramientas que impulsarán tus proyectos de IA Agente. Aprende a aprovechar Cursor IDE, un editor de código potenciado por IA basado en VS Code que mejora drásticamente la productividad en la codificación para el desarrollo de agentes. Domina UV, una alternativa rápida basada en Rust a Anaconda que simplifica la gestión de entornos con entornos virtuales. La lección desglosa varias opciones de API, incluyendo OpenAI, DeepSeek, Gemini y modelos Llama ejecutados localmente, ayudándote a entender las implicaciones de costo y los compromisos en el rendimiento. Perfecto tanto para principiantes en codificación como para desarrolladores experimentados, esta sesión fundamental te proporciona el conocimiento sobre la infraestructura técnica necesaria para construir agentes de IA sofisticados, al tiempo que ofrece una guía práctica sobre cómo elegir las herramientas adecuadas para tus necesidades y limitaciones presupuestarias.

Si quieres aprender:

• ¿Cómo configurar correctamente un entorno de Windows para el desarrollo de IA?

• ¿Qué es el UV Package Manager y por qué es más rápido que Anaconda?

• ¿Cómo instalar y configurar el IDE Cursor para una programación de IA mejorada?

• ¿Cómo clonar repositorios de GitHub y gestionar dependencias de proyectos de manera eficiente?

• ¿Cuáles son los "gotchas" comunes a evitar durante la configuración en Windows para proyectos de IA?

• ¿Cómo usar PowerShell eficazmente para tareas de desarrollo?

¡Entonces esta lección es para ti!

Esta completa guía de configuración para Windows te llevará a través de cinco pasos esenciales para establecer un entorno profesional de desarrollo de IA. Aprenderás a clonar repositorios de GitHub usando Git, instalar el IDE Cursor impulsado por IA para autocompletado inteligente de código y configurar el UV Package Manager, extremadamente rápido, que reduce el tiempo de configuración del entorno de horas a minutos. La lección demuestra cómo navegar por los problemas comunes específicos de Windows, como las limitaciones de longitud de las rutas de archivo y la interferencia de antivirus. Siguiendo esta guía, crearás un entorno aislado con Python 3.12 y todas las dependencias necesarias, establecerás la estructura adecuada para tu proyecto y adquirirás habilidades prácticas en el uso de la terminal para flujos de trabajo de desarrollo de IA eficientes. Perfecto para usuarios de Windows que necesitan una configuración robusta y eficiente para construir agentes de IA y aplicaciones.

Día 1 - Configuración de tu Mac para Proyectos de IA: GitHub, Cursor IDE y Clave API de OpenAI

Si quieres aprender:

• ¿Cómo configurar adecuadamente tu Mac para proyectos de desarrollo de IA?

• ¿Qué herramientas esenciales necesitas para comenzar a construir aplicaciones de IA en macOS?

• ¿Cómo clonar repositorios de GitHub y configurar tu espacio de trabajo de desarrollo?

• ¿Cómo instalar y configurar Cursor IDE para codificación asistida por IA?

• ¿Cuál es la mejor manera de gestionar los paquetes de Python para proyectos de IA?

• ¿Cómo configurar tu clave API de OpenAI para el desarrollo?

¡Entonces esta lección es para ti!

Esta guía completa de configuración lleva a los usuarios de Mac a través del proceso de crear un entorno completo de desarrollo de IA. Aprenderás el proceso de cinco pasos comenzando con la clonación del repositorio de GitHub del curso usando comandos en la terminal y organizando correctamente los archivos de tu proyecto. La lección cubre la instalación y configuración de Cursor IDE, un editor de código mejorado por IA que aumentará tu productividad al construir aplicaciones de IA. También descubrirás UV Package Manager, una herramienta poderosa para gestionar eficientemente las dependencias de Python. A lo largo del tutorial, adquirirás habilidades esenciales en la línea de comandos y entenderás cómo verificar e instalar las herramientas necesarias para desarrolladores, como Git y los componentes de Xcode. Aunque la guía se centra específicamente en la configuración de macOS, las habilidades que aprenderás formarán la base para todos los proyectos de IA del curso, incluyendo cómo integrar correctamente tu clave API de OpenAI para el desarrollo.

Día 1 - Construyendo tu Primer Flujo de Trabajo de IA Agente con la API de OpenAI: Paso a Paso

Si quieres aprender:

• ¿Cómo configurar y ajustar tu primer flujo de trabajo con la API de OpenAI?

• ¿Cuál es la forma adecuada de gestionar las claves API en proyectos de desarrollo de IA?

• ¿Cómo usar los cuadernos de Python de manera efectiva para la experimentación con IA?

• ¿Cómo solucionar problemas comunes al conectarse con la API de OpenAI?

• ¿Cuál es la mejor configuración de entorno de desarrollo para crear agentes de IA?

¡Entonces esta lección es para ti!

Este tutorial práctico te guiará en la creación de tu primer flujo de trabajo de IA Agente utilizando la API de OpenAI desde cero. Aprenderás técnicas esenciales para la configuración del entorno, como la creación de entornos virtuales en Python (.venv), la gestión segura de claves API con variables de entorno e inicialización del cliente de Python de OpenAI. La sesión cubre flujos de trabajo prácticos de desarrollo utilizando cuadernos al estilo Jupyter, ideales para la experimentación con IA y el desarrollo iterativo. Exploraremos enfoques adecuados para depurar problemas comunes de conexión e introduciremos conceptos clave para el desarrollo de agentes, incluyendo patrones de código asincrónico. Perfecto para principiantes que buscan ir más allá de simples llamadas API para crear flujos de trabajo estructurados y listos para producción. Al final de esta lección, tendrás un entorno de desarrollo funcional y los conocimientos fundamentales para comenzar a construir agentes de IA sofisticados con la API de OpenAI.

Día 1 - Introducción a la IA Agente: Creación de Flujos de Trabajo LLM Multinivel + Autonomía

Si quieres aprender:

• ¿Qué es la IA Agente y cómo puedes implementarla con LLMs?

• ¿Cómo crear flujos de trabajo multinivel que otorguen autonomía a los sistemas de IA?

• ¿Qué técnicas permiten a los modelos de lenguaje tomar sus propias decisiones?

• ¿Cómo se pueden aplicar los flujos de trabajo Agente para resolver problemas comerciales reales?

• ¿Cuál es la diferencia entre las aplicaciones tradicionales de LLM y los sistemas Agente?

¡Entonces esta lección es para ti!

Esta lección introductoria desmitifica la IA Agente guiándote a través de la creación de tu primer flujo de trabajo multinivel de LLM con autonomía incorporada. Vivirás la implementación práctica donde un LLM toma sus propias decisiones, eligiendo qué sector empresarial investigar y formulando su camino de análisis. La sesión explora el concepto fundamental de toma de decisiones "elige tu propia aventura" para modelos de lenguaje, estableciendo una base para comprender patrones más complejos de IA Agente. Al completar el ejercicio práctico, ganarás experiencia en el diseño de sistemas de IA que pueden trazar su propio curso mientras siguen entregando valiosos conocimientos comerciales. Este es tu punto de entrada al poderoso mundo de los agentes autónomos de IA con aplicaciones del mundo real.

Día 2 - Construcción de Agentes Efectivos: Autonomía de LLM y Explicación de la Integración de Herramientas

Si quieres saber:

• ¿Qué define exactamente a un agente de IA y en qué se diferencia de otras aplicaciones de LLM?

• ¿Cómo logran los modelos de lenguaje autonomía en los procesos de toma de decisiones?

• ¿Cuál es la diferencia clave entre los flujos de trabajo de agentes y los agentes verdaderamente autónomos?

• ¿Cómo puedes integrar herramientas con LLMs para crear sistemas de agentes efectivos?

• ¿Qué patrones arquitectónicos debes considerar al diseñar agentes de IA?

¡Entonces esta lección es para ti!

Sumérgete en los cimientos teóricos de los agentes de IA en esta exploración integral de la autonomía de LLM y la integración de herramientas. Descubre las diversas definiciones de la IA Agente, desde sistemas donde las salidas de LLM controlan flujos de trabajo hasta soluciones que implican el uso de herramientas y la coordinación de múltiples LLMs. Aprende la distinción entre flujos de trabajo predefinidos y agentes verdaderamente autónomos, tal como se define en el marco de "Construcción de Agentes Efectivos" de Anthropic. Esta sesión desglosa conceptos esenciales de arquitectura de agentes, patrones de diseño y enfoques de implementación que permiten a los LLMs mantener el control sobre la ejecución de tareas y la toma de decisiones. Mientras que la mayoría de las sesiones de este programa se centran en la implementación práctica, esta lección enfocada en la teoría proporciona la base conceptual crucial necesaria antes de construir tus propios sistemas autónomos de IA. Perfecto para desarrolladores que desean entender los principios arquitectónicos detrás de los sistemas de agentes de IA más avanzados de la actualidad.

Día 2 - 5 Patrones Esenciales de Diseño de Flujos de Trabajo para LLM para Crear Sistemas de IA Robustos

Si quieres saber:

• ¿Cómo diseñar flujos de trabajo efectivos para Modelos de Lenguaje Grande (LLM)?

• ¿Cuáles son los cinco patrones esenciales de diseño para crear sistemas de IA robustos?

• ¿Cómo implementar validación y control de calidad en las salidas de LLM?

• ¿Qué técnicas recomienda Anthropic para la arquitectura de flujos de trabajo de LLM?

• ¿Cómo orquestar múltiples LLMs para que trabajen juntos de manera eficiente?

¡Entonces esta lección es para ti!

Sumérgete profundamente en los cinco patrones esenciales de diseño de flujos de trabajo para LLM que son cruciales para crear sistemas de IA robustos. Explorarás los enfoques arquitectónicos recomendados por Anthropic, incluidos el encadenamiento de prompts para la descomposición de tareas secuenciales, los mecanismos de enrutamiento para la selección de modelos especializados, y las técnicas de paralelización para el procesamiento concurrente. La lección examina el poderoso patrón de trabajador orquestador para manejar dinámicamente tareas complejas y el patrón de evaluador optimizador que implementa bucles de validación críticos. A través de ejemplos prácticos, aprenderás cómo estos patrones crean márgenes de seguridad, aumentan la precisión y mejoran la previsibilidad de los sistemas basados en LLM. Ya sea que estés diseñando aplicaciones de IA de calidad de producción o optimizando flujos de trabajo existentes, estos patrones fundamentales proporcionan la arquitectura necesaria para implementaciones confiables y efectivas de modelos de lenguaje grande.

Día 2 - Comprendiendo los Patrones de Agentes vs Patrones de Flujos de Trabajo en el Diseño de Aplicaciones LLM

Si quieres aprender:

• ¿Cuál es la diferencia crucial entre los patrones de agentes y los patrones de flujos de trabajo en las aplicaciones LLM?

• ¿Cómo interactúan los agentes autónomos de LLM con su entorno?

• ¿Qué desafíos surgen al implementar sistemas de IA Agente?

• ¿Cómo implementar un monitoreo efectivo y márgenes de seguridad para los marcos de agentes?

• ¿Por qué los patrones de agentes son más poderosos pero menos predecibles que los flujos de trabajo tradicionales?

¡Entonces esta lección es para ti!

Esta lección integral explora la distinción fundamental entre los patrones de agentes y los patrones de flujos de trabajo en el diseño de aplicaciones LLM. Descubrirás cómo los patrones de agentes permiten la resolución dinámica de problemas mediante bucles de retroalimentación continua e interacción con el entorno, permitiendo que los LLM tracen sus propios caminos de solución. La lección detalla por qué estos enfoques Agentes pueden abordar problemas más complejos que los flujos de trabajo rígidos, al mismo tiempo que resalta los desafíos inherentes de rutas de ejecución impredecibles, salidas inciertas y costos variables. Aprenderás estrategias esenciales de mitigación, como sistemas de monitoreo (por ejemplo, las capacidades de seguimiento del OpenAI SDK y las herramientas LangSmith de LangGraph) e implementación de márgenes de seguridad para asegurar que los agentes se comporten de manera segura y consistente. Perfecto para desarrolladores que buscan entender cuándo implementar flujos de trabajo estructurados frente a arquitecturas de agentes más autónomas en sus aplicaciones LLM.

Día 3 - Orquestación de Múltiples LLMs: Comparando GPT-4, Claude, Gemini y DeepSeek

Si quieres aprender:

• ¿Cómo orquestar eficazmente múltiples LLMs en una sola aplicación?

• ¿Cuáles son las principales diferencias entre los modelos GPT-4, Claude, Gemini y DeepSeek?

• ¿Cómo elegir entre LLMs de código abierto y de código cerrado para tareas específicas?

• ¿Cómo ejecutar modelos tanto en la nube como localmente para un rendimiento óptimo?

• ¿Qué consideraciones de costos deben guiar tu proceso de selección de LLM?

¡Entonces esta lección es para ti!

Esta sesión práctica y enfocada en código explora el arte de orquestar múltiples Modelos de Lenguaje Grande (LLMs) en tus aplicaciones. Profundizarás en comparaciones prácticas entre los modelos líderes, incluyendo GPT-4 de OpenAI, Claude 3.7 Sonnet de Anthropic, Gemini 2.0 Flash de Google y las innovadoras ofertas de DeepSeek. Aprenderás a aprovechar tanto APIs basadas en la nube como implementaciones locales utilizando herramientas como Ollama y Grok. Descubrirás estrategias para la selección de modelos basadas en benchmarks de rendimiento, consideraciones de costos y casos de uso específicos. Al final de esta lección, comprenderás cómo integrar y alternar eficazmente entre diferentes LLMs, ganando conocimientos prácticos para implementar orquestación de múltiples modelos en aplicaciones del mundo real. Perfecto para desarrolladores que buscan optimizar sus implementaciones de IA seleccionando el modelo adecuado para cada tarea.

Día 3 - Integración de Multi-LLM API: Comparando OpenAI, Anthropic y Otros Modelos

Si quieres saber:

• ¿Cómo integrar múltiples APIs de LLM en una sola aplicación Python?

• ¿Cuáles son las principales diferencias entre las APIs de OpenAI, Anthropic, Gemini, DeepSeek y Grok?

• ¿Cómo comparar las respuestas de diferentes modelos de IA para el mismo prompt?

• ¿Cómo configurar la autenticación y las variables de entorno para múltiples proveedores de LLM?

• ¿Qué técnicas puedes usar para orquestar entre diferentes modelos de IA?

¡Entonces esta lección es para ti!

Esta sesión práctica de laboratorio demuestra la integración y comparación de múltiples APIs de Modelos de Lenguaje Grande (LLM), incluyendo OpenAI, Anthropic, Gemini de Google, DeepSeek y Grok. Aprenderás cómo configurar adecuadamente las variables de entorno para la autenticación de APIs, estructurar llamadas API para diferentes proveedores y analizar las diferencias de respuestas entre modelos. La lección cubre la implementación práctica de técnicas de orquestación de modelos, mostrando cómo aprovechar múltiples proveedores de IA en una sola aplicación. Más allá de la implementación técnica, obtendrás conocimientos sobre las estructuras de costos de diferentes proveedores y las mejores prácticas para experimentar con varios modelos. Este conocimiento esencial te prepara para construir aplicaciones de IA sofisticadas de múltiples modelos que puedan aprovechar las fortalezas de diferentes LLMs.

Día 3 - Comparando APIs de LLM: Usando la Biblioteca Cliente de OpenAI con Claude, Gemini y Más

Si quieres aprender:

• ¿Cómo conectar múltiples APIs de LLM usando una sola biblioteca cliente?

• ¿Cuáles son las principales diferencias entre las APIs de Claude, Gemini, DeepSeek y Grok?

• ¿Por qué la mayoría de los proveedores de IA siguen los estándares de formato de API de OpenAI?

• ¿Cómo ejecutar modelos de lenguaje de código abierto localmente con OLLAMA?

• ¿Qué patrones de código en Python funcionan para diferentes proveedores de servicios de IA?

• ¿Cómo cambiar entre proveedores de IA en la nube con cambios mínimos en el código?

¡Entonces esta lección es para ti!

Sumérgete en el mundo de las APIs de Modelos de Lenguaje Grande (LLM) mientras exploramos cómo aprovechar la biblioteca cliente de OpenAI para interactuar con múltiples servicios de IA. Aprenderás a escribir código en Python para conectar con Claude 3.5 Sonnet de Anthropic, Gemini 1.5 Flash de Google, el modelo de 671B parámetros de DeepSeek y la implementación de Grok de Llama 3.3 (70B). Descubre la estandarización en la industria alrededor del formato de API de OpenAI y cómo la mayoría de los proveedores ofrecen endpoints compatibles, facilitando el cambio entre servicios. También cubriremos OLLAMA para ejecutar modelos de código abierto ligeros localmente en tu máquina, ideal para el desarrollo y pruebas. Al final de esta lección, comprenderás las sutilezas entre estas APIs y podrás integrar diversos LLMs en tus aplicaciones con confianza.

Día 3 - Orquestación Multi-Modelo: Creando un Sistema para Evaluar Respuestas de IA

Si quieres aprender:

• ¿Cómo crear un sistema que evalúe las respuestas de múltiples modelos de IA?

• ¿Qué técnicas de Python pueden agilizar la comparación de respuestas de IA?

• ¿Cómo usar Modelos de Lenguaje Grande para evaluar automáticamente las salidas de otras IA?

• ¿Por qué la orquestación multi-modelo es importante para la evaluación de la calidad de IA?

• ¿Cuáles son las mejores prácticas para construir marcos de evaluación de IA?

¡Entonces esta lección es para ti!

Sumérgete en la orquestación multi-modelo mientras construimos un sistema sofisticado para evaluar respuestas de IA. Aprenderás a aprovechar funciones poderosas de Python como zip y enumerate para comparar elegantemente las salidas de modelos de IA competidores. Esta sesión práctica muestra cómo estructurar, formatear y procesar el contenido generado por IA para una evaluación sistemática. Dominarás técnicas prácticas para automatizar el proceso de evaluación usando un modelo de IA para evaluar otros, creando un marco de referencia eficiente. Perfecto para desarrolladores y entusiastas de la IA que buscan implementar metodologías de comparación objetivas, depurar sistemas de evaluación y construir marcos escalables para la evaluación de la calidad de IA. Al final de esta lección, tendrás las habilidades necesarias para crear tu propia canalización personalizada de evaluación de IA que pueda determinar qué modelos tienen un mejor rendimiento para tareas específicas.

Día 3 - Conectando los Patrones Agentes con el Uso de Herramientas: Bloques Esenciales para la Construcción de IA

Si quieres aprender:

• ¿Cómo se conectan los patrones agentes con el uso de herramientas en IA?

• ¿Cuáles son los bloques esenciales para crear agentes de IA efectivos?

• ¿Cómo pueden las herramientas mejorar las capacidades de los modelos de lenguaje?

• ¿Por qué la integración de herramientas es fundamental para los sistemas avanzados de IA?

• ¿Cómo aprovechan los flujos de trabajo agentes las herramientas para obtener mejores resultados?

¡Entonces esta lección es para ti!

Esta lección de transición conecta los conceptos fundamentales de los flujos de trabajo y patrones agentes con el dominio esencial del uso de herramientas en sistemas de IA. Basándose en exploraciones previas sobre agentes, patrones agentes y orquestación de LLMs, esta sesión establece la conexión crítica entre los agentes de IA y las herramientas que utilizan. Comprenderás cómo la integración de herramientas es un bloque esencial para desarrollar agentes de IA sofisticados y por qué esta conexión forma la base para todos los temas subsecuentes del curso. La lección te prepara para una exploración profunda de herramientas de IA, sentando las bases para aplicaciones prácticas donde los patrones agentes y el uso de herramientas se combinan para crear sistemas de IA potentes y funcionales con capacidades mejoradas y utilidad en el mundo real.

Día 4 - Comparando Marcos de Agentes de IA: Simplicidad vs Potencia en la Orquestación de LLM

Si quieres aprender:

• ¿Cuál es el mejor marco de agentes de IA para las necesidades específicas de tu proyecto?

• ¿Cómo se comparan marcos como OpenAI Agents SDK con LangGraph o AutoGen?

• ¿Cuáles son los intercambios entre simplicidad y potencia en la orquestación de LLM?

• ¿Deberías usar un marco o simplemente conectarte directamente a las APIs de LLM?

• ¿Cómo varían los niveles de complejidad entre los marcos populares de agentes de IA?

• ¿Qué factores deben guiar tu proceso de selección de marco?

¡Entonces esta lección es para ti!

Este recorrido integral navega por el panorama de los marcos de agentes de IA, examinando el espectro que va desde conexiones directas con APIs hasta sistemas complejos de orquestación. Descubrirás cómo los marcos se agrupan en diferentes niveles de complejidad: desde la simplicidad de enfoques sin marco y el Modelo Contextual de Protocolo (MCP), hasta soluciones ligeras como OpenAI Agents SDK y Crew AI, y hasta sistemas poderosos pero complejos como LangGraph y AutoGen. La lección explora las diferencias clave en flexibilidad, curvas de aprendizaje e integración del ecosistema, mientras destaca cómo cada marco equilibra abstracción y control. Al comprender estos intercambios, obtendrás conocimientos prácticos para seleccionar el marco óptimo según tus objetivos comerciales específicos, requisitos técnicos y capacidades del equipo: conocimiento esencial para construir soluciones efectivas de IA Agente que se alineen perfectamente con el alcance de tu proyecto.

Día 4 - Recursos vs Herramientas: Dos Formas de Mejorar las Capacidades de LLM en IA Agente

Si quieres aprender:

• ¿Cómo puedes mejorar las capacidades de un LLM sin cambiar su modelo principal?

• ¿Cuál es la diferencia entre recursos y herramientas en IA Agente?

• ¿Cómo mejora la Generación Aumentada por Recuperación (RAG) las respuestas de la IA?

• ¿Qué está sucediendo realmente detrás de escena con las llamadas a funciones en LLM?

• ¿Cómo puedes darles a los agentes de IA el poder de usar herramientas externas?

¡Entonces esta lección es para ti!

Esta lección explora dos enfoques fundamentales para mejorar las capacidades de los Modelos de Lenguaje Grande (LLM) en IA Agente: recursos y herramientas. Primero, descubrirás cómo funcionan los recursos, proporcionando contexto adicional para mejorar la experiencia de un LLM en temas específicos, esencialmente "inyectando datos relevantes en el prompt". La lección desmitifica la Generación Aumentada por Recuperación (RAG) como un método para seleccionar la información contextual más relevante. Luego, aprenderás cómo las herramientas permiten que los LLMs realicen acciones como consultas a bases de datos o llamadas a APIs externas, con una mirada detallada a cómo funciona la llamada a funciones a través de respuestas JSON y sentencias condicionales. A través de ejemplos prácticos, incluyendo un escenario de precios de boletos de avión, comprenderás la mecánica de otorgar a los sistemas de IA autonomía para acceder a capacidades externas. Este conocimiento fundamental te prepara para implementar mejoras basadas en recursos y herramientas en tus propias aplicaciones de IA.

Día 4 - Crea un Chatbot Web que Actúe como Tú Usando Gradio y OpenAI

Si quieres aprender:

• ¿Cómo crear un chatbot web que responda como si fuera tú?

• ¿Cómo aprovechar tu perfil de LinkedIn e información personal para crear un representante de IA?

• ¿Cómo implementar Gradio para crear interfaces de chat hermosas con código mínimo?

• ¿Cómo usar la API de OpenAI para potenciar un asistente de IA personalizado?

• ¿Cómo combinar el análisis de PDFs y las capacidades de LLM para aplicaciones prácticas?

¡Entonces esta lección es para ti!

Crea un chatbot web personalizado que actúe como tu alter ego profesional usando Gradio y OpenAI. Este tutorial práctico te guía en la creación de un asistente de IA que puede responder preguntas sobre tu carrera, habilidades y experiencia aprovechando tu perfil de LinkedIn e información personal. Aprenderás a analizar archivos PDF con PyPDF2, implementar prompts del sistema y del usuario para conversaciones contextuales, y construir una elegante interfaz de chat usando el potente y sencillo marco de Gradio. El proyecto demuestra una aplicación práctica de IA al combinar procesamiento de documentos, modelos de lenguaje grande e interfaces web para crear un representante digital que se mantiene fiel al personaje mientras interactúa con los usuarios. Perfecto para profesionales que desean crear una extensión de sí mismos impulsada por IA o desarrolladores que buscan implementar chatbots personalizados con experiencia mínima en codificación de front-end.

Día 4 - Usando Gemini para Evaluar Respuestas de GPT-4: Una Pipeline Multi-LLM

Si quieres aprender:

• ¿Cómo construir una pipeline multi-LLM donde un modelo evalúe a otro?

• ¿Cómo usar Gemini para evaluar automáticamente las respuestas de GPT-4?

• ¿Qué son las salidas estructuradas y cómo implementarlas con modelos Pydantic?

• ¿Cómo crear un bucle de retroalimentación entre diferentes sistemas LLM?

• ¿Cómo construir flujos de trabajo sofisticados de IA sin depender de marcos agentes?

¡Entonces esta lección es para ti!

En esta lección práctica, dominarás el arte de crear una pipeline de evaluación multi-LLM desde cero. Aprenderás a aprovechar Gemini para evaluar automáticamente las respuestas de GPT-4 Mini, implementando un sofisticado sistema de control de calidad que puede regenerar respuestas cuando no cumplen con los estándares. Te guiaremos en la construcción de este flujo de trabajo sin depender de un marco, dándote una visión profunda de cómo operan estos sistemas en segundo plano. Implementarás modelos Pydantic para salidas estructuradas, crearás prompts de evaluación y conectarás múltiples modelos de IA en una pipeline fluida. Esta técnica es invaluable para desarrollar aplicaciones de IA más confiables donde el control de calidad es esencial. Al final de esta lección, tendrás experiencia práctica implementando un bucle de retroalimentación LLM que puede mejorar significativamente la calidad de las respuestas en tus sistemas de IA.

Día 4 - Construcción de Flujos de Trabajo Agenticos con LLM: Recursos, Herramientas y Salidas Estructuradas

Si quieres aprender:

• ¿Cómo construir flujos de trabajo efectivos entre LLMs?

• ¿Qué recursos y herramientas son esenciales para crear agentes de IA poderosos?

• ¿Cómo implementar salidas estructuradas para aplicaciones de LLM más confiables?

• ¿Qué es el patrón de evaluador-optimizado y cómo mejora las interacciones de IA?

• ¿Cómo crear un agente comercial de IA desplegable basado en tu experiencia profesional?

¡Entonces esta lección es para ti!

Esta sesión integral sobre la construcción de flujos de trabajo agenticos con LLM cubre los componentes esenciales necesarios para crear agentes de IA sofisticados. Explorarás marcos de agentes y aprenderás cómo armar LLMs con recursos que contienen información específica de dominio, ¡incluso detalles sobre tu propia carrera! La lección demuestra cómo implementar salidas estructuradas para el patrón evaluador-optimizado, permitiendo interacciones más confiables entre modelos. Ganarás experiencia práctica integrando herramientas en tus flujos de trabajo LLM, sentando las bases para crear agentes desplegables. Esta sesión culmina con la preparación para crear tu propio proyecto comercial: un alter ego profesional de IA con el que los visitantes podrán interactuar en tu sitio web para aprender sobre tu experiencia. Perfecto para desarrolladores que buscan ir más allá del simple prompting y crear sistemas inteligentes y agenticos con aplicaciones prácticas.

Día 5 - Construye tu Alter Ego Profesional: Llamadas a Funciones de LLM con Notificaciones Push

Si quieres aprender:

• ¿Cómo crear un asistente de IA que represente tu carrera profesional en línea?

• ¿Qué es la llamada a funciones en LLM y cómo puedes implementarla en proyectos reales?

• ¿Cómo configurar notificaciones push que te alerten cuando alguien interactúe con tu IA?

• ¿Cómo construir herramientas personalizadas que amplíen las capacidades de tu modelo de lenguaje?

• ¿Cómo crear un alter ego profesional que responda preguntas sobre tu historial profesional?

• ¿Qué es Pushover y cómo puede integrarse con aplicaciones de IA?

¡Entonces esta lección es para ti!

Sumérgete en la creación de tu alter ego profesional personalizado utilizando llamadas a funciones de LLM e integración de notificaciones push. Esta sesión práctica de codificación te guiará en la implementación de Pushover, una herramienta sencilla para enviar alertas push a tu teléfono cuando los usuarios interactúan con tu asistente de IA. Aprenderás a estructurar definiciones de funciones en JSON que permitan a tu modelo de lenguaje activar herramientas externas, permitiéndole registrar el interés del usuario y registrar preguntas sin respuesta. Este enfoque fundamental evita marcos complejos para brindarte una visión directa de cómo los modelos de lenguaje interactúan con funciones externas. Al final de este tutorial, habrás construido un representante profesional de IA para tu sitio web que podrá responder preguntas sobre tu carrera y alertarte sobre interacciones importantes de los usuarios a través de notificaciones móviles en tiempo real.

Día 5 - Llamadas a Herramientas de LLM Desmitificadas: Cómo Procesar y Ejecutar Solicitudes de Funciones

Si quieres aprender:

• ¿Cómo ejecutan realmente las llamadas a funciones los LLMs en segundo plano?

• ¿Qué sucede cuando un modelo de lenguaje solicita usar una herramienta?

• ¿Cómo procesar y manejar respuestas JSON que contienen solicitudes de funciones?

• ¿Qué técnicas puedes usar para ejecutar dinámicamente funciones solicitadas por los LLMs?

• ¿Cómo extraer y utilizar los parámetros proporcionados por un LLM en tus llamadas a funciones?

¡Entonces esta lección es para ti!

Sumérgete profundamente en la mecánica de las llamadas a herramientas de LLM en esta sesión técnica integral. Aprenderás a construir un controlador robusto para procesar solicitudes de funciones provenientes de modelos de lenguaje grande, incluyendo el análisis de respuestas JSON, la extracción de nombres de funciones y parámetros, y la ejecución de las funciones correspondientes. La lección demuestra enfoques tradicionales condicionales y enfoques más elegantes de ejecución dinámica de funciones utilizando el diccionario globals de Python. Entender esta implementación fundamental te dará valiosas perspectivas sobre lo que hacen los marcos detrás de escena al manejar las llamadas a herramientas de LLM. Al final de esta sesión, tendrás los conocimientos para implementar tu propio sistema de procesamiento de llamadas a herramientas y comprender mejor cómo las salidas estructuradas de los modelos de lenguaje pueden transformarse en ejecuciones reales de funciones en tus aplicaciones.

Día 5 - Construcción de Asistentes de IA: Implementación de Herramientas para Manejar Preguntas Desconocidas

Si quieres aprender:

• ¿Cómo construir asistentes de IA que manejen preguntas desconocidas con elegancia?

• ¿Qué técnicas hacen que los LLMs admitan cuando no saben algo?

• ¿Cómo implementar mecanismos de respaldo utilizando herramientas en sistemas de IA?

• ¿Cómo aprovechar la ingeniería de prompts para dirigir el comportamiento de la IA?

• ¿Por qué es crucial entender la predicción del siguiente token para un desarrollo efectivo de IA?

• ¿Cómo crear sistemas que registren preguntas para entrenamiento futuro?

¡Entonces esta lección es para ti!

Sumérgete en la implementación práctica de asistentes de IA capaces de reconocer sus límites de conocimiento. Esta sesión explora cómo construir sistemas inteligentes que reconocen sus limitaciones a través de la implementación de herramientas personalizadas. Aprenderás técnicas efectivas de ingeniería de prompts para guiar el comportamiento de los LLM, incluyendo estrategias de repetición y definiciones de herramientas basadas en JSON. Descubre la mecánica de la dirección de conversaciones, permitiendo que tu IA dirija con elegancia a los usuarios hacia canales alternativos cuando se enfrente a preguntas desconocidas. La lección desmitifica cómo la predicción del siguiente token habilita comportamientos complejos de llamadas a herramientas, proporcionando conocimientos fundamentales para desarrollar asistentes de IA más transparentes y honestos. Perfecto para desarrolladores que buscan crear sistemas de IA que equilibren capacidad con la humildad adecuada y la recolección de datos para la mejora continua.

Día 5 - Creando y Desplegando un Agente de IA: Del Ciclo de Chat a HuggingFace Spaces

Si quieres aprender:

• ¿Cómo crear un agente de IA que pueda llamar a herramientas y funciones externas?

• ¿Cuál es el proceso paso a paso para implementar un ciclo de chat robusto en un asistente de IA?

• ¿Cómo desplegar tu chatbot de IA en producción usando HuggingFace Spaces?

• ¿Cómo construir un currículum virtual personalizado de IA que muestre tus habilidades técnicas?

• ¿Cuál es la implementación técnica detrás de un agente de IA con capacidades de llamadas a herramientas?

• ¿Cómo integrar sistemas de notificación como Pushover en tu asistente de IA?

¡Entonces esta lección es para ti!

Esta sesión práctica cubre la implementación crítica de un agente de IA con capacidades de llamadas a herramientas. Aprenderás cómo construir la función central de chat que maneja las llamadas a herramientas de OpenAI, permitiendo que tu IA realice acciones más allá de la conversación. La lección demuestra el flujo de trabajo completo, desde la creación de un módulo en Python con un ciclo de chat bien estructurado hasta el despliegue de tu agente como un currículum virtual en HuggingFace Spaces. Comprenderás cómo integrar APIs externas, manejar respuestas JSON, implementar lógica condicional para la ejecución de herramientas y empaquetar todo en una aplicación Gradio lista para producción. Al final, habrás creado un poderoso avatar de IA que puede representar tus habilidades y experiencia en línea: un reemplazo moderno de los currículums tradicionales que demuestra tus habilidades de desarrollo de IA en acción.

Día 5 - Desplegando Chatbots de Conversación Profesional en Gradio

Si quieres aprender:

• ¿Cómo desplegar un chatbot de conversación profesional que te represente?

• ¿Cómo crear un asistente de IA que envíe notificaciones en tiempo real cuando alguien quiera conectar?

• ¿Cómo construir un avatar virtual de carrera que maneje conversaciones introductorias por ti?

• ¿Cómo integrar claves API y servicios como Pushover en tus aplicaciones de IA?

• ¿Cómo integrar tu chatbot de IA en tu sitio web personal para mejorar tu presencia en línea?

¡Entonces esta lección es para ti!

Aprende a desplegar un chatbot de conversación profesional personalizado usando Gradio y Hugging Face Spaces en este tutorial práctico. Recorrerás todo el proceso de despliegue, desde la configuración de la aplicación hasta la configuración de claves API esenciales y secretos para OpenAI y notificaciones de Pushover. Esta lección demuestra cómo crear un avatar de IA interactivo que pueda hablar sobre tu experiencia profesional, notificarte cuando los usuarios hagan preguntas fuera de su base de conocimientos y recopilar información de contacto de partes interesadas. Los ejercicios prácticos te guiarán para mejorar tu chatbot con características adicionales como la implementación de RAG, integración de bases de datos y evaluación de respuestas. Descubre cómo los asistentes de IA habilitados para herramientas pueden transformarse de simples chatbots en aplicaciones comercialmente valiosas que interactúan con el mundo real a través de salidas estructuradas y servicios externos.

Día 5 - Resumen de la Semana de Fundamentos: Construyendo Agentes de IA Completos con APIs y Herramientas

Si quieres saber:

• ¿Cómo construir agentes de IA completos que se integren con múltiples APIs?

• ¿Cuáles son los patrones fundamentales para crear agentes de IA efectivos?

• ¿Cómo orquestar diferentes herramientas y recursos en tus aplicaciones de IA?

• ¿Cómo se relacionan las salidas estructuradas con el uso de herramientas en el desarrollo de agentes?

• ¿Qué esperar al trabajar con el OpenAI Agents SDK?

¡Entonces esta lección es para ti!

Esta lección de resumen de la Semana de Fundamentos consolida los conceptos esenciales para construir agentes de IA completos con APIs y herramientas. Revisarás el viaje desde entender los patrones básicos de agentes hasta orquestar múltiples APIs e integrar varios recursos en aplicaciones funcionales. La lección resalta el elegante empaquetado del uso de herramientas y traza paralelismos importantes entre las salidas estructuradas y la implementación de herramientas. Perfecta tanto para principiantes que se están exponiendo por primera vez al desarrollo de agentes de IA como para desarrolladores experimentados que buscan profundizar su comprensión de la mecánica subyacente, este resumen te prepara para temas avanzados como el OpenAI Agents SDK. Al conectar los conceptos fundamentales con aplicaciones prácticas, obtendrás conocimientos cruciales para crear agentes de IA sofisticados que puedan resolver problemas del mundo real de manera efectiva.

Día 1 - Entendiendo Python Asíncrono: La Fundación para el OpenAI Agents SDK

Si deseas aprender:

• ¿Qué es Python asíncrono y por qué es esencial para los marcos de trabajo de agentes de IA?

• ¿Cómo funcionan las palabras clave async y await en el modelo de concurrencia de Python?

• ¿Cuál es la diferencia entre programación asíncrona, multihilo y multiproceso?

• ¿Cómo maneja el bucle de eventos de Python las operaciones concurrentes?

• ¿Por qué es crucial la programación asíncrona al trabajar con el OpenAI Agents SDK?

• ¿Cómo puedes usar asyncio.gather() para ejecutar múltiples corutinas concurrentemente?

¡Entonces esta clase es para ti!

Sumérgete en los fundamentos de la programación asíncrona en Python como requisito previo para dominar el OpenAI Agents SDK. Esta introducción completa explica por qué todos los marcos de trabajo de agentes modernos aprovechan la programación asíncrona para un rendimiento óptimo al realizar llamadas a la API de LLM. Aprenderás los conceptos clave del paquete asyncio de Python, incluidas las corutinas, el modelo de bucle de eventos y cómo la sintaxis async/await habilita la concurrencia ligera sin la complejidad del multihilo tradicional. La clase presenta ejemplos prácticos de cómo definir funciones asíncronas, esperar correctamente las corutinas y utilizar asyncio.gather() para ejecutar múltiples operaciones concurrentemente. Entender estos conceptos mejorará significativamente tu capacidad para construir sistemas de agentes eficientes que puedan manejar miles de operaciones concurrentes mientras minimizan el uso de recursos, especialmente cuando se trata de llamadas a APIs de modelos de lenguaje grande (LLM) que están limitadas por la red.

Día 1 - Fundamentos del OpenAI Agents SDK: Creación, Seguimiento y Ejecución de Agentes

Si deseas aprender:

• ¿Cómo comenzar con el OpenAI Agents SDK?

• ¿Qué hace al OpenAI Agents SDK diferente de otros marcos de trabajo?

• ¿Cómo crear, hacer seguimiento y ejecutar agentes de manera efectiva?

• ¿Cuáles son los conceptos clave detrás de la implementación de agentes de IA?

• ¿Cómo construir soluciones de IA sin código repetitivo y complejo?

¡Entonces esta clase es para ti!

Sumérgete en los fundamentos del OpenAI Agents SDK, un marco de trabajo ligero y flexible para construir poderosos agentes de IA. Esta clase te introduce a las principales fortalezas de este SDK sin opiniones predefinidas, que simplifica el desarrollo de agentes mientras te da control total sobre los detalles de la implementación. Aprende cómo el SDK agiliza el manejo de JSON y la integración de herramientas que, de otro modo, requerirían un código repetitivo y extenso. Domina los tres conceptos esenciales—agentes, entregas y barreras de seguridad—que forman la columna vertebral de un diseño efectivo de agentes. A través de ejemplos prácticos, explorarás el proceso de tres pasos para crear instancias de agentes, implementar el seguimiento para obtener un registro completo y ejecutar agentes con el método runner.run. Ya sea que seas nuevo en el desarrollo de agentes de IA o busques optimizar tu flujo de trabajo, esta introducción práctica te proporciona todo lo necesario para comenzar a construir con OpenAI Agents SDK.

Día 1 - Introducción a las Clases Agent, Runner y Trace en OpenAI Agents SDK

Si deseas aprender:

• ¿Cómo comienzo con el OpenAI Agents SDK?

• ¿Qué son las clases Agent, Runner y Trace y cómo trabajan juntas?

• ¿Cómo puedo crear y ejecutar un agente de IA simple con instrucciones personalizadas?

• ¿Cuál es la manera correcta de ejecutar agentes utilizando patrones async/await?

• ¿Cómo puedo monitorear y hacer un seguimiento de las interacciones del agente en la plataforma de OpenAI?

¡Entonces esta clase es para ti!

Esta sesión introductoria proporciona un recorrido práctico por los fundamentos del OpenAI Agents SDK. Aprenderás cómo implementar las tres clases principales que forman la base del desarrollo de agentes: Agent, Runner y Trace. La clase demuestra cómo crear tu primer agente con instrucciones personalizadas y un modelo especificado (GPT-4o-mini), ejecutarlo correctamente utilizando los patrones async/await y monitorear las interacciones a través de las capacidades de seguimiento de OpenAI. Al seguir ejemplos prácticos de código, entenderás cómo configurar los prompts del sistema como instrucciones, enviar los prompts del usuario y ver los registros detallados de interacciones en la interfaz de la plataforma de OpenAI. Esta clase establece las bases para construir sistemas de agentes más complejos que explorarás a lo largo del curso.

Día 1 - Vibe Coding: 5 Consejos Esenciales para una Generación Eficiente de Código con LLMs

Si deseas aprender:

• ¿Cómo generar código de manera eficiente con LLMs sin caer en pesadillas de depuración?

• ¿Cuáles son las técnicas de "vibe coding" de Andrej Karpathy que pueden acelerar tu desarrollo?

• ¿Cómo crear prompts perfectos que generen código moderno y compatible?

• ¿Por qué es crucial descomponer problemas en partes más pequeñas para la generación de código con IA?

• ¿Cómo validar y comprobar la fiabilidad del código generado por LLM?

¡Entonces esta clase es para ti!

Domina el arte del "vibe coding" con cinco consejos esenciales que transformarán la manera en que trabajas con asistentes de codificación basados en IA. Aprende a crear prompts efectivos que especifiquen código conciso y compatible con las API actuales. Descubre el poder de comprobar las respuestas entre múltiples LLMs, como ChatGPT y Claude, para verificar soluciones. Implementa la técnica crucial de descomponer problemas complejos en fragmentos de 10 líneas independientes y testeables, en lugar de generar grandes bloques de código. Explora estrategias de validación donde un LLM revisa el trabajo de otro, imitando patrones de diseño profesional y agentic. Finalmente, descubre cómo solicitar múltiples enfoques de solución obliga a los LLMs a pensar más creativamente mientras proporcionan explicaciones más claras. Estas técnicas prácticas, popularizadas por el experto en IA Andrej Karpathy, mejorarán drásticamente tu eficiencia y comprensión al generar código con grandes modelos de lenguaje.

Día 1 - OpenAI Agents SDK: Comprendiendo los Conceptos Clave para el Desarrollo de IA

Si deseas aprender:

• ¿Qué es el OpenAI Agents SDK y cómo funciona?

• ¿Qué conceptos clave necesitas entender antes de construir agentes de IA?

• ¿Cómo puedes aprovechar las herramientas de OpenAI para proyectos de desarrollo de IA?

• ¿Qué conocimientos fundamentales son necesarios antes de crear aplicaciones prácticas de IA?

• ¿Cómo encaja el Agents SDK en el ecosistema más amplio de OpenAI?

¡Entonces esta clase es para ti!

Esta sesión introductoria desmitifica el OpenAI Agents SDK al desglosar sus conceptos esenciales para el desarrollo de IA. Obtendrás una comprensión clara de los bloques fundamentales necesarios antes de sumergirte en la creación práctica de agentes. La clase establece las bases para los próximos proyectos prácticos, preparándote específicamente para construir un agente de Representante de Desarrollo de Ventas (SDR) en la siguiente sesión. Perfecto para desarrolladores que desean expandir su conjunto de herramientas de IA, esta visión general concisa proporciona la base teórica necesaria para comenzar a implementar las capacidades de agentes de OpenAI en aplicaciones del mundo real. Al final, estarás equipado con el conocimiento conceptual necesario para comenzar a crear agentes de IA inteligentes y específicos para tareas utilizando el potente marco de desarrollo de OpenAI.

Día 2 - Construye Agentes de Ventas con IA usando SendGrid: Herramientas y Colaboración en el Agent SDK

Si deseas aprender:

• ¿Cómo construir agentes de ventas con IA usando OpenAI's Agents SDK?

• ¿Cómo integrar SendGrid con IA para automatizar correos electrónicos de ventas?

• ¿Cuáles son las diferentes capas de la arquitectura agentica y cómo implementarlas?

• ¿Cómo crear agentes que puedan usar herramientas y colaborar con otros agentes?

• ¿Cómo configurar respuestas en tiempo real de los agentes de IA en tus aplicaciones?

¡Entonces esta clase es para ti!

Este tutorial práctico te guía a través de la construcción de un agente completo de Representante de Desarrollo de Ventas usando el OpenAI Agents SDK. Implementarás tres capas esenciales de la arquitectura agentica: un flujo de trabajo básico de agente, agentes que usan herramientas y agentes colaborativos que trabajan juntos. La demostración práctica incluye la integración de SendGrid para la automatización de correos electrónicos, mostrándote cómo crear agentes de ventas con diferentes personalidades que generen correos fríos profesionales, humorísticos o concisos. Aprenderás a configurar el entorno de desarrollo, implementar herramientas de función, aprovechar las transferencias entre agentes y transmitir respuestas usando GPT-4o mini. Al final de esta sesión, tendrás un prototipo funcional de un sistema de agentes de ventas con IA capaz de generar correos personalizados de acercamiento a través de múltiples agentes especializados trabajando en colaboración.

Día 2 - Llamadas Concurrentes a LLM: Implementando Asyncio para la Ejecución Paralela de Agentes

Si deseas aprender:

• ¿Cómo hacer que múltiples llamadas a LLM se ejecuten en paralelo para mejorar drásticamente el rendimiento?

• ¿Qué es asyncio y cómo puede optimizar los flujos de trabajo de tus agentes de IA?

• ¿Cómo simplificar la creación de herramientas para LLMs sin escribir código JSON repetitivo?

• ¿Cómo construir sistemas donde múltiples agentes de IA trabajen simultáneamente y evalúen los resultados de los demás?

• ¿Cómo implementar el patrón async/await con las API de OpenAI para una ejecución eficiente?

¡Entonces esta clase es para ti!

Esta sesión práctica demuestra cómo implementar asyncio para la ejecución paralela de agentes con Modelos de Lenguaje Grande (LLM). Aprenderás cómo usar asyncio.gather() para ejecutar múltiples llamadas a LLM concurrentemente, reduciendo significativamente los tiempos de espera mediante una adecuada gestión del bucle de eventos. La clase guía a través de la creación de un flujo de trabajo práctico donde tres agentes de IA diferentes redactan correos de ventas simultáneamente, seguidos de un cuarto agente que evalúa y selecciona el mejor. Luego, exploramos cómo el decorador @function_tool simplifica la creación de herramientas, eliminando la necesidad de construir esquemas JSON manualmente. Al final de esta sesión, entenderás cómo transformar llamadas secuenciales básicas a LLM en flujos de trabajo paralelos sofisticados, implementar adecuadamente el trazado para depuración y construir sistemas donde múltiples agentes colaboren de manera eficiente en tareas complejas.

Día 2 - Convertir Agentes en Herramientas: Construyendo Sistemas Jerárquicos de IA

Si deseas aprender:

• ¿Cómo convertir los agentes de IA en herramientas reutilizables?

• ¿Qué es la composición jerárquica de agentes y por qué es importante?

• ¿Cómo construir agentes gestores que orquesten otros agentes especializados?

• ¿Qué técnicas prácticas permiten a los agentes delegar tareas a otros agentes?

• ¿Cómo implementar jerarquías de toma de decisiones en sistemas de IA multi-agente?

¡Entonces esta clase es para ti!

Sumérgete en el poderoso concepto de conversión de agentes a herramientas y en el diseño de sistemas jerárquicos de IA. Esta clase demuestra cómo transformar agentes completos en herramientas que pueden ser utilizadas por otros agentes, creando arquitecturas sofisticadas de IA de múltiples niveles. Aprenderás a implementar un agente gerente de ventas que evalúa los resultados de varios agentes especializados en ventas antes de seleccionar el mejor. La demostración práctica cubre técnicas de encapsulación de herramientas, patrones de composición de agentes y orquestación efectiva de múltiples componentes de IA. Al final de esta sesión, comprenderás cómo construir sistemas complejos y jerárquicos de IA donde los agentes de alto nivel toman decisiones estratégicas mientras delegan tareas específicas a sub-agentes especializados. Perfecto para desarrolladores que buscan ir más allá de las implementaciones simples de agentes y avanzar hacia sistemas de IA de nivel empresarial con capacidades sofisticadas de delegación.

Día 2 - Flujo de Control de Agentes: Cuándo Usar Transferencias vs. Agentes como Herramientas

Si deseas aprender:

• ¿Cuál es la diferencia entre las transferencias de agentes y el uso de agentes como herramientas?

• ¿Cuándo deberías usar transferencias versus herramientas en los flujos de trabajo de agentes de IA?

• ¿Cómo implementar un flujo de control efectivo entre múltiples agentes de IA?

• ¿Cuáles son los mejores patrones para delegar en sistemas multi-agente?

• ¿Cómo diseñar agentes especializados que trabajen juntos de manera efectiva?

¡Entonces esta clase es para ti!

Esta clase profundiza en los patrones de flujo de control de agentes, explicando la distinción crucial entre el enfoque de transferencia de agentes y el enfoque de agentes como herramientas. Aprenderás las diferencias conceptuales y técnicas: las herramientas siguen un patrón de solicitud-respuesta, donde el control regresa al agente que hizo la solicitud, mientras que las transferencias representan una delegación completa, donde el flujo continúa con el nuevo agente. A través de demostraciones prácticas, construiremos un sistema de flujo de trabajo por correo electrónico con agentes especializados para la redacción de asuntos y la conversión a HTML, implementando ambos patrones. Comprenderás cuándo usar cada enfoque, cómo estructurar las instrucciones de los agentes, crear descripciones de transferencias y orquestar efectivamente múltiples agentes para realizar tareas complejas. Perfecto para desarrolladores que construyen sistemas multi-agente sofisticados que requieren un diseño de flujo de control bien pensado.

Día 2 - De Llamadas de Funciones a Autonomía de Agentes: Automatización de Ventas con OpenAI SDK

Si deseas aprender:

• ¿Cómo construir agentes autónomos para la automatización de ventas con OpenAI SDK?

• ¿Cuál es la diferencia entre llamadas de funciones y verdadera autonomía de agentes?

• ¿Cómo implementar transferencias de agentes y delegación en sistemas de IA?

• ¿Cómo crear flujos de trabajo multi-agente que colaboren de manera efectiva?

• ¿Cómo automatizar la generación de correos electrónicos fríos con herramientas impulsadas por IA?

• ¿Qué patrones de diseño permiten la automatización escalable de procesos empresariales con IA?

¡Entonces esta clase es para ti!

Descubre cómo transformar llamadas de funciones básicas en sistemas autónomos de agentes utilizando el OpenAI Agents SDK. Esta clase práctica demuestra cómo construir un flujo de trabajo completo de automatización de ventas, donde múltiples agentes especializados colaboran para generar, refinar y entregar correos electrónicos de ventas fríos. Aprenderás a implementar agentes gerentes de ventas que evalúan la calidad de la salida, agentes gerentes de correos electrónicos que manejan el formato, y verás cómo las transferencias de agentes habilitan patrones sofisticados de delegación. La clase cubre la implementación práctica de integración de herramientas, diseño de instrucciones de agentes y monitoreo de trazas para flujos de trabajo complejos. A través de una demostración en vivo, entenderás cómo los agentes de IA colaborativos pueden automatizar procesos empresariales de extremo a extremo más allá de las ventas, aplicables a reclutamiento, servicio al cliente y otras operaciones escalables. Perfecto para desarrolladores que buscan ir más allá de los chatbots simples para crear sistemas autónomos de IA con aplicaciones empresariales prácticas.

Día 2 - IA Agente para Negocios: Creación de Herramientas Interactivas de Alcance de Ventas

Si deseas aprender:

• ¿Cómo construir agentes de IA interactivos para el alcance de ventas?

• ¿Qué capacidades ofrece el OpenAI Agents SDK para aplicaciones empresariales?

• ¿Cómo crear herramientas impulsadas por IA que puedan manejar respuestas de clientes automáticamente?

• ¿Cuáles son las aplicaciones prácticas de la IA agente en la automatización de ventas?

• ¿Cómo mostrar tus proyectos de IA para obtener reconocimiento profesional?

¡Entonces esta clase es para ti!

Esta sesión práctica explora la creación de herramientas interactivas de alcance de ventas utilizando el OpenAI Agents SDK. Aprende cómo construir agentes de IA responsivos que puedan interactuar con clientes potenciales, manejar respuestas y agilizar tus procesos de ventas. La clase cubre técnicas de implementación prácticas para aplicaciones de IA enfocadas en negocios y fomenta la contribución comunitaria a través del intercambio de código. Descubre cómo aprovechar la IA agente para automatizar el alcance personalizado mientras mantienes interacciones significativas. Perfecto para profesionales que buscan aplicar tecnología de IA de vanguardia a los desafíos reales de ventas. La sesión concluye con un adelanto de los próximos temas sobre la implementación de salvaguardias para sistemas de IA, garantizando un comportamiento seguro y controlado de los agentes.

Día 3 - Integración Multi-Modelo: Usando Gemini, DeepSeek y Grok con OpenAI Agents

Si deseas aprender:

• ¿Cómo integrar los modelos Gemini, DeepSeek y Grok con OpenAI Agents?

• ¿Cuál es la diferencia entre las herramientas de agente y los traspasos en sistemas colaborativos de IA?

• ¿Cómo crear salidas estructuradas a partir de las respuestas de los agentes de IA?

• ¿Cómo implementar salvaguardias para controlar las entradas y salidas de los agentes?

• ¿Puedes construir sistemas multi-modelo mientras mantienes un marco coherente?

¡Entonces esta clase es para ti!

Sumérgete en el poderoso mundo de la integración multi-modelo utilizando el OpenAI Agents SDK. Esta sesión completa demuestra cómo aprovechar modelos de lenguaje alternativos como Gemini de Google, DeepSeek, Grok o Llama 3.3 dentro del marco de OpenAI Agents. Aprenderás la implementación práctica de la conexión con puntos finales compatibles con OpenAI y la creación de objetos de modelos que permitan una integración fluida. La clase se basa en los conceptos previos de herramientas de agentes y traspasos, destacando sus diferencias clave y aplicaciones en flujos de trabajo colaborativos. Además, explorarás las salidas estructuradas que permiten a los agentes llenar campos específicos en los objetos de respuesta en lugar de solo devolver texto. La sesión concluye con técnicas esenciales de salvaguardias para mantener el control sobre la información que fluye dentro y fuera de tu sistema de agentes. A lo largo de la clase, estos conceptos se demuestran mediante un proyecto práctico de representante de desarrollo de ventas (SDR) que genera contenido de correo electrónico a través de múltiples agentes especializados utilizando diferentes modelos subyacentes.

Día 3 - Implementación de Salvaguardias y Salidas Estructuradas para Sistemas Robustos de Agentes de IA

Si deseas aprender:

• ¿Cómo evitar que los agentes de IA se queden atrapados en bucles infinitos?

• ¿Qué son las salvaguardias y cómo protegen tus sistemas de IA?

• ¿Cómo implementar salidas estructuradas para respuestas consistentes de IA?

• ¿Cómo validar las entradas y salidas en agentes autónomos de IA?

• ¿Por qué son críticas las salvaguardias para aplicaciones de IA listas para producción?

• ¿Cómo integrar múltiples modelos en un marco robusto de agentes?

¡Entonces esta clase es para ti!

Esta sesión completa explora cómo implementar salvaguardias y salidas estructuradas para construir sistemas robustos de agentes de IA. Aprenderás cómo proteger tus sistemas de IA tanto de entradas problemáticas como de salidas inapropiadas utilizando agentes de salvaguardias que actúan como capas inteligentes de validación. La clase demuestra cómo crear salidas estructuradas basadas en esquemas para garantizar respuestas consistentes y correctamente formateadas de tus agentes. A través de ejemplos prácticos, verás cómo detectar nombres personales en las entradas e implementar salvaguardias de entrada utilizando corutinas y patrones de decorador. La sesión también cubre la integración de múltiples modelos con Deep Seek, Gemini y Llama, y aborda los desafíos de la ejecución asincrónica de agentes. Estas técnicas son esenciales para desarrollar sistemas de IA de nivel de producción que eviten problemas comunes como los bucles infinitos mientras mantienen los límites apropiados para tus aplicaciones.

Día 3 - Seguridad en IA en la Práctica: Implementación de Salvaguardias para Aplicaciones de Agentes LLM

Si deseas aprender:

• ¿Cómo implementar guardarraíles prácticos para agentes LLM?

• ¿Qué técnicas pueden proteger contra la filtración de información personal identificable (PII) en aplicaciones de IA?

• ¿Cómo funcionan los "tripwires" (disparadores de seguridad) en implementaciones de seguridad de IA?

• ¿Cómo construir agentes de IA más seguros para aplicaciones empresariales?

• ¿Qué herramientas están disponibles para hacer cumplir medidas de seguridad en los marcos de agentes?

¡Entonces esta clase es para ti!

Descubre cómo implementar salvaguardias de seguridad robustas para aplicaciones de agentes de Modelos de Lenguaje Grande (LLM) en esta sesión práctica. Serás testigo de la implementación práctica de salvaguardias de entrada que detectan y previenen el uso de información personal identificable (PII) en un sistema de automatización de correos electrónicos de ventas. La clase demuestra cómo los "tripwires" disparan excepciones cuando las salvaguardias son violadas, mostrando medidas de seguridad de IA en acción. Aprenderás sobre la prueba de múltiples modelos, incluidos Gemini, DeepSeek, Grok y Llama 3.3, implementando tanto salvaguardias de entrada como de salida, y utilizando salidas estructuradas con objetos Pydantic para implementaciones más robustas. Al final de esta sesión, tendrás el conocimiento necesario para construir aplicaciones de IA más seguras con medidas de seguridad prácticas que pueden proteger información sensible en entornos de producción.

Día 4 - Construcción de Agentes de Investigación Profunda: Implementación de la Herramienta de Búsqueda en la Web de OpenAI

Si deseas aprender:

• ¿Cómo construir agentes de IA que puedan buscar en la web y realizar investigaciones profundas?

• ¿Qué son las herramientas alojadas de OpenAI y cómo implementarlas en tus proyectos?

• ¿Cómo crear tu propio asistente de investigación profunda similar a lo que ofrecen los laboratorios de IA más avanzados?

• ¿Cuál es el proceso para integrar capacidades de búsqueda en la web en agentes de IA?

• ¿Cómo configurar y optimizar el costo de utilizar la herramienta de búsqueda en la web de OpenAI?

• ¿Cómo estructurar los prompts para agentes de investigación eficaces?

¡Entonces esta clase es para ti!

Sumérgete en el poderoso mundo de los agentes de investigación profunda implementando la Herramienta de Búsqueda en la Web de OpenAI. Esta sesión práctica te guiará para crear un agente de IA capaz de buscar en Internet, analizar información de múltiples fuentes y sintetizar los hallazgos de la investigación. Aprenderás a aprovechar las herramientas alojadas de OpenAI, específicamente la Herramienta de Búsqueda en la Web, para darle a tus agentes capacidades de navegación por la web. La clase cubre conceptos esenciales como salidas estructuradas, ingeniería de prompts para asistentes de investigación y consideraciones prácticas sobre el costo al implementar funcionalidades de búsqueda. A través de una implementación paso a paso en cuadernos Jupyter, construirás un agente de búsqueda capaz de recuperar y resumir contenido web sobre cualquier tema. Este conocimiento práctico es aplicable de manera amplia en diferentes dominios empresariales y sirve como base para crear asistentes de investigación IA adaptados a necesidades específicas. Al final de esta sesión, habrás construido tu propio agente de investigación profunda similar a los ofrecidos por las principales compañías de IA.

Día 4 - Construcción de un Agente Planificador: Uso de Salidas Estructuradas con Pydantic en IA

Si deseas aprender:

• ¿Cómo construir un agente planificador de IA que genere consultas de búsqueda estratégicas?

• ¿Cuál es la implementación práctica de salidas estructuradas con Pydantic?

• ¿Cómo mejorar el razonamiento de la IA solicitando justificaciones antes de las salidas?

• ¿Por qué la técnica de "cadena de pensamiento" lleva a respuestas más coherentes en la IA?

• ¿Cómo crear esquemas de datos estructurados que guíen las salidas del modelo de IA?

• ¿Qué técnicas hacen que los planes de investigación generados por la IA sean más efectivos?

¡Entonces esta clase es para ti!

Esta clase demuestra cómo construir un sofisticado agente planificador utilizando salidas estructuradas con Pydantic en el desarrollo de IA. Aprenderás a crear un agente que genera inteligentemente consultas de búsqueda en la web basadas en la entrada del usuario, implementando un sistema orientado a la investigación que planifica múltiples búsquedas para una recopilación de información más completa. El instructor te guiará a través de la definición de modelos Pydantic para estructurar las salidas de la IA, te mostrará cómo documentar los campos para guiar la comprensión del modelo y explicará por qué solicitar razonamientos antes de las acciones mejora la calidad de la salida. Usando GPT-4o mini, verás cómo el agente transforma consultas abstractas en planes de búsqueda estratégicos con justificaciones claras. Esta implementación práctica demuestra el poder de las salidas estructuradas para controlar las respuestas de la IA, manteniendo al mismo tiempo flexibilidad, un conocimiento esencial para los desarrolladores que construyen asistentes de investigación, agentes de conocimiento o cualquier sistema de IA que requiera la generación de datos estructurados.

Día 4 - Construcción de un Pipeline de Investigación de Extremo a Extremo con Agentes GPT-4 y Tareas Asíncronas

Si deseas aprender:

• ¿Cómo construir un pipeline de investigación de extremo a extremo utilizando agentes GPT-4?

• ¿Cuál es la mejor manera de coordinar múltiples agentes de IA para tareas de investigación complejas?

• ¿Cómo implementar programación asíncrona para realizar búsquedas paralelas?

• ¿Cómo crear un sistema que genere automáticamente informes de investigación completos?

• ¿Cómo formatear y enviar contenido generado por IA como correos electrónicos profesionales en HTML?

• ¿Cómo diseñar agentes especializados con responsabilidades distintas en un flujo de trabajo de IA?

¡Entonces esta clase es para ti!

Esta clase demuestra cómo construir un pipeline de investigación completo utilizando agentes GPT-4 y tareas asíncronas. Aprenderás a crear agentes especializados, incluyendo un agente planificador que determina estrategias de búsqueda, un agente de búsqueda que recopila información, un agente investigador que sintetiza los hallazgos en informes detallados y un agente de correo electrónico que envía los resultados pulidos en formato HTML. La clase cubre la implementación de herramientas de función con decoradores, salidas estructuradas utilizando Pydantic y ejecución paralela con asyncio.gather. Verás cómo coordinar múltiples agentes en un flujo de trabajo que planifica búsquedas, las realiza en paralelo, genera informes completos en markdown y envía automáticamente correos electrónicos HTML formateados utilizando SendGrid. Al final, comprenderás cómo construir sistemas de IA sofisticados que puedan realizar investigaciones, sintetizar información y comunicar hallazgos con mínima intervención humana.

Día 4 - Construcción de un Agente de Investigación Profunda: Búsquedas Paralelas con AsyncIO

Si deseas aprender:

• ¿Cómo construir un poderoso Agente de Investigación Profunda desde cero?

• ¿Qué hace que AsyncIO sea ideal para operaciones de búsqueda paralelas?

• ¿Cómo ejecutar múltiples consultas de investigación simultáneamente sin cuellos de botella en el rendimiento?

• ¿Por qué un código mínimo puede crear sistemas sofisticados de automatización de investigación?

• ¿Cómo trazar y analizar flujos de trabajo asíncronos en aplicaciones de IA?

• ¿Qué técnicas permiten la escalabilidad eficiente de operaciones de investigación?

¡Entonces esta clase es para ti!

Sumérgete en el mundo de la programación asíncrona con esta demostración práctica de cómo construir un Agente de Investigación Profunda utilizando AsyncIO para búsquedas paralelas. Verás cómo un marco simple pero poderoso cobra vida, capaz de realizar múltiples consultas de investigación simultáneamente y consolidar los hallazgos en informes HTML bien formateados. La clase muestra todo el proceso, desde la implementación hasta la ejecución, revelando cómo los agentes planificadores, escritores y de correo electrónico trabajan juntos sin problemas. Serás testigo de la dramática diferencia entre ejecutar unas pocas búsquedas frente a veinte operaciones paralelas, todo ello acompañado de un análisis de trazas que proporciona visibilidad en el flujo de trabajo asíncrono. Perfecto para desarrolladores que buscan automatizar tareas de investigación exhaustivas, esta sesión práctica sienta las bases para crear tus propios sistemas de investigación extensibles, con una vista previa de cómo transformar este marco en una aplicación independiente.

Día 5 - Construcción de un Sistema Modular de Investigación con IA e Implementación de UI con Gradio

Si deseas aprender:

• ¿Cómo transformar experimentos en notebooks en módulos de Python listos para producción?

• ¿Cuál es la mejor manera de estructurar un sistema de investigación con IA utilizando múltiples clases de agentes?

• ¿Cómo implementar una interfaz de usuario limpia con Gradio para tus aplicaciones de IA?

• ¿Cómo crear una arquitectura modular para flujos de trabajo complejos de IA?

• ¿Cómo organizar adecuadamente los sistemas basados en agentes con un manejo de errores adecuado y anotaciones de tipos?

¡Entonces esta clase es para ti!

Esta sesión práctica te guiará a través de la conversión de un agente de investigación profunda experimental desde un notebook de Jupyter hacia módulos de Python organizados con una interfaz profesional de Gradio. Aprenderás cómo estructurar tu código utilizando múltiples agentes especializados (PlannerAgent, SearchAgent, WriterAgent, y EmailAgent) coordinados por una clase ResearchManager. La clase demuestra las mejores prácticas para código de producción, incluyendo anotaciones de tipos, manejo de excepciones y programación asíncrona con generadores. Al final de la sesión, comprenderás cómo crear sistemas de IA modulares y mantenibles con interfaces de usuario intuitivas, habilidades esenciales para desplegar proyectos experimentales de IA en aplicaciones del mundo real. Esta demostración práctica conecta la brecha entre la experimentación con IA y la implementación lista para producción.

Día 5 - Aplicación de Investigación Profunda: Gradio para Visualizar y Monitorear Agentes Autónomos de IA

Si deseas aprender:

• ¿Cómo crear una interfaz visual para monitorear agentes autónomos de IA?

• ¿Qué herramientas puedes usar para visualizar las actividades de los agentes de IA en tiempo real?

• ¿Cómo construir una aplicación de automatización de investigación con una interfaz fácil de usar?

• ¿Cómo ejecutar múltiples agentes de IA en paralelo usando AsyncIO?

• ¿Cuáles son las aplicaciones comerciales prácticas de la IA agencial autónoma?

¡Entonces esta clase es para ti!

Esta sesión práctica demuestra cómo construir y ejecutar una aplicación de Investigación Profunda con una interfaz de Gradio para visualizar agentes autónomos de IA. Aprenderás a configurar un entorno de desarrollo adecuado usando UV y entornos virtuales, luego lanzarás una aplicación que muestra el monitoreo en tiempo real de los agentes. La clase recorre todo el proceso de enviar consultas de investigación, observar la ejecución paralela de los agentes a través de la visualización de trazas y revisar los resultados completos formateados en markdown. Verás de primera mano cómo AsyncIO permite que múltiples agentes trabajen simultáneamente en tareas de investigación, desde la búsqueda y el análisis de información hasta la redacción de informes y el envío de correos electrónicos. Esta demostración práctica proporciona valiosos conocimientos sobre cómo crear paneles de monitoreo para sistemas de IA mientras exploras aplicaciones comerciales de vanguardia de la IA agencial autónoma en campos como ciberseguridad, atención médica y finanzas.

Día 5: Implementación de agentes de investigación inteligentes con Gradio y HuggingFace Spaces

Si deseas saber:

• ¿Cómo desplegar agentes de investigación inteligentes con interfaces fáciles de usar?

• ¿Qué técnicas permiten a los agentes de IA hacer preguntas aclaratorias como los sistemas profesionales?

• ¿Cómo transformar scripts simples en Python en agentes de investigación verdaderamente autónomos?

• ¿Qué patrones de diseño mejoran la calidad de la investigación generada por la IA?

• ¿Cómo mostrar tus proyectos de IA en HuggingFace Spaces para tu portafolio?

• ¿Cómo construir sistemas capaces de realizar investigaciones completas y profundas de manera autónoma?

¡Entonces esta clase es para ti!

Lleva tu agente de investigación profunda al siguiente nivel desplegándolo con Gradio y HuggingFace Spaces. Esta sesión práctica te guiará a través de cómo mejorar tu agente de investigación con capacidades autónomas, implementando la funcionalidad de preguntas aclaratorias e incorporando lógica de toma de decisiones sofisticada. Aprenderás a aplicar los patrones de diseño de entrega de tareas entre agentes (handoffs) y evaluadores-optimizadores para generar resultados de investigación más completos. La clase cubre la implementación práctica de técnicas de IA agencial que transforman llamadas básicas de funciones en sistemas inteligentes capaces de exploración y auto-refinamiento. Al final de la sesión, habrás construido un asistente de investigación listo para producción con una interfaz de usuario pulida que podrás desplegar en HuggingFace Spaces, mostrar en tu portafolio y compartir con otros, demostrando tu experiencia en la construcción de agentes de IA sofisticados que ofrecen resultados sustantivos.

Día 1 - Framework Crew AI: Creación de Equipos Colaborativos de Agentes de IA

Si deseas aprender:

• ¿Cómo crear equipos colaborativos de agentes de IA con el Framework Crew AI?

• ¿Cuáles son las diferencias entre Crew AI Enterprise, UI Studio y el framework de código abierto?

• ¿Cómo se diferencian las Crews de Crew AI de los Flows de Crew AI?

• ¿Cómo se compara Crew AI con OpenAI Agents SDK?

• ¿Cuáles son los mejores casos de uso para la colaboración autónoma entre agentes de IA?

¡Entonces esta clase es para ti!

Sumérgete en el mundo del Framework Crew AI, una solución de código abierto para orquestar equipos colaborativos de agentes de IA de alto rendimiento. Esta clase presenta los conceptos fundamentales de Crew AI, explicando cómo hacer la transición desde OpenAI Agents SDK a este poderoso framework para construir equipos autónomos de agentes. Aprenderás sobre las tres ofertas diferentes de Crew AI: Enterprise, UI Studio y el framework de código abierto, con un enfoque en el uso del framework para el desarrollo de agentes. La clase distingue entre las Crews de Crew AI (equipos autónomos de agentes trabajando de manera colaborativa) y los Flows de Crew AI (flujos de trabajo prescritos con mayor control), destacando cuándo usar cada enfoque. Perfecto para desarrolladores que buscan expandir su conjunto de herramientas para la orquestación de agentes de IA y crear sistemas sofisticados de múltiples agentes que puedan abordar problemas complejos mediante trabajo en equipo y toma de decisiones autónomas.

Día 1 - Explicación del Framework Crew AI: Agentes, Tareas y Modos de Procesamiento

Si deseas saber:

• ¿Qué es el framework Crew AI y cómo se compara con OpenAI's Agents SDK?

• ¿Cómo trabajan juntos los agentes, las tareas y las crews en el ecosistema Crew AI?

• ¿Qué son los modos de procesamiento secuenciales y jerárquicos en Crew AI?

• ¿Cómo configurar Crew AI usando archivos YAML para separar los prompts del código?

• ¿Cómo simplifican los decoradores de Python la implementación de sistemas Crew AI?

¡Entonces esta clase es para ti!

Esta introducción completa al framework Crew AI desglosa sus elementos fundamentales: agentes, tareas y crews. Descubrirás cómo los agentes funcionan como unidades autónomas impulsadas por LLM con roles, objetivos y antecedentes definidos, y cómo estos agentes ejecutan tareas específicas dentro de las crews. La clase explica claramente los dos modos de procesamiento—secuencial y jerárquico—y demuestra cómo determinan el flujo de ejecución de tareas. Aprenderás el enfoque práctico de implementación de Crew AI usando archivos de configuración YAML para separar de manera limpia los prompts del código, y verás cómo los decoradores de Python agilizan la creación de agentes, tareas y crews completas. Al comparar Crew AI con OpenAI's Agents SDK, esta clase destaca la naturaleza más estructurada y con opiniones de Crew AI, preparándote para tomar decisiones informadas al construir sistemas de IA multiagente.

Día 1 - Crew AI y LightLLM: Framework flexible para integrar múltiples LLMs

Si quieres aprender:

• ¿Cómo integrar múltiples LLMs en un solo proyecto con una sobrecarga mínima?

• ¿Qué hace que Crew AI y LightLLM sean más flexibles que alternativas como LangChain?

• ¿Cómo cambiar sin problemas entre modelos de OpenAI, Anthropic, Gemini y modelos locales?

• ¿Cuál es la estructura de proyecto adecuada para construir equipos de IA eficaces?

• ¿Cómo configurar y ejecutar proyectos de Crew AI desde cero?

¡Entonces esta clase es para ti!

Esta clase presenta Crew AI y LightLLM, una combinación poderosa para construir aplicaciones flexibles con múltiples LLMs. Descubrirás cómo Crew AI aprovecha la arquitectura ligera de LightLLM para conectarse con varios modelos de IA, incluidos GPT-4o, Claude, Gemini Flash, Grok y modelos alojados localmente a través de Olama. La sesión cubre la sintaxis sencilla para la configuración de modelos, destacando cómo esta flexibilidad le da a Crew AI una ventaja sobre el SDK de Agents de OpenAI. Aprenderás los aspectos prácticos de la estructura de un proyecto Crew AI, incluida la organización de directorios, archivos de configuración YAML y los módulos esenciales. Al final de esta clase, comprenderás cómo crear, configurar y ejecutar proyectos de Crew AI utilizando la gestión de paquetes UV, sentando las bases para construir sistemas sofisticados de agentes de IA que puedan utilizar múltiples modelos de lenguaje sin problemas.

Día 1 - Tutorial de Crew AI: Configuración de un proyecto de debate con GPT-4o mini

Si quieres aprender:

• ¿Cómo crear un sistema de debate utilizando el framework Crew AI?

• ¿Cuál es el proceso para configurar y establecer agentes de IA con roles específicos?

• ¿Cómo puedes implementar GPT-4o mini en un proyecto de debate con múltiples agentes?

• ¿Cómo se configuran correctamente los archivos YAML para definir los comportamientos de los agentes?

• ¿Qué estructura de archivos genera automáticamente Crew AI para ti?

• ¿Cómo influyen las historias de fondo de los agentes en el comportamiento de la IA en sistemas interactivos?

¡Entonces esta clase es para ti!

Este tutorial práctico te guía a través de la creación de un proyecto completo de debate con Crew AI y GPT-4o mini. Aprenderás cómo inicializar un nuevo proyecto de Crew AI desde la línea de comandos, entender la estructura de archivos generada automáticamente y configurar agentes utilizando archivos YAML. La clase demuestra cómo definir roles especializados para un sistema de debate, incluyendo un debatiente convincente y un juez imparcial con historias de fondo apropiadas. Explorarás cómo estas configuraciones influyen en el comportamiento de predicción de tokens de la IA y descubrirás la estructura base que proporciona Crew AI. Siguiendo el tutorial, obtendrás experiencia práctica en el diseño de sistemas con múltiples agentes, comprendiendo cómo aprovechar el contexto para interacciones de IA más efectivas y construyendo una aplicación funcional de debate donde los agentes de IA puedan argumentar ambos lados de una moción mientras son evaluados por un juez imparcial.

Día 1 - Cómo crear un sistema de debate de IA usando Crew AI y múltiples LLMs

Si quieres aprender:

• ¿Cómo crear un sistema de debate de IA dinámico con múltiples modelos de lenguaje?

• ¿Cómo configurar y orquestar diferentes agentes de IA usando Crew AI?

• ¿Cómo asignar roles específicos a LLMs como debatiente y juez?

• ¿Cómo estructurar tareas para proponer, oponerse y juzgar argumentos?

• ¿Cómo hacer que los modelos GPT y Claude funcionen juntos en la misma aplicación?

¡Entonces esta clase es para ti!

Este tutorial práctico te guía paso a paso en la construcción de un sistema completo de debate de IA utilizando el framework Crew AI y múltiples modelos de lenguaje de gran tamaño. Aprenderás cómo configurar diferentes agentes de IA con roles específicos (debatiente y juez), establecer definiciones de tareas para proponer argumentos, oponerse a mociones y emitir juicios. La clase cubre la creación de archivos de configuración YAML, la definición de propiedades de los agentes y la orquestación de todo el sistema en Python. Al final, comprenderás cómo hacer que diferentes modelos de IA (de OpenAI y Claude de Anthropic) trabajen juntos para realizar debates estructurados sobre temas como la regulación de la IA. Esta implementación práctica demuestra conceptos avanzados en orquestación de IA, sistemas basados en agentes y cómo aprovechar las capacidades únicas de distintos modelos de lenguaje en una sola aplicación.

Día 1 - Construcción de sistemas de debate de IA con CrewAI: Comparar diferentes LLMs

Si quieres aprender:

• ¿Cómo construir un sistema de debate de IA usando CrewAI?

• ¿Cómo puedes comparar diferentes LLMs en un framework de debate?

• ¿Cuál es la forma adecuada de estructurar un proyecto de CrewAI para sistemas de debate?

• ¿Cómo configurar agentes de IA para tomar lados opuestos en un debate?

• ¿Pueden debatir entre sí diferentes modelos de lenguaje como OpenAI y DeepSeek?

• ¿Cómo crear tu propio ranking de LLMs basado en el rendimiento en debates?

¡Entonces esta clase es para ti!

Esta clase presenta la construcción de sistemas de debate de IA con CrewAI, demostrando la estructura completa del proyecto y el proceso de implementación. Aprenderás cómo configurar agentes con diferentes modelos de lenguaje utilizando archivos YAML, definir tareas de debate con resultados esperados y ejecutar procesos secuenciales. El instructor guía a través de la configuración de agentes de debate opuestos impulsados por diferentes LLMs para comparar sus capacidades argumentativas. Al implementar este framework, puedes crear debates entre varios modelos como OpenAI y DeepSeek, evaluando cuál forma argumentos más coherentes y persuasivos. La tarea práctica anima a crear tu propio ranking de LLMs basado en el rendimiento en debates, proporcionando experiencia práctica con el framework CrewAI y una visión de las fortalezas comparativas de los LLMs en argumentación estructurada.

Día 2 - Construcción de proyectos con Crew AI: Herramientas, contexto e integración con Google Search

Si quieres aprender:

• ¿Cómo equipar a los agentes de IA con herramientas en el framework de Crew AI?

• ¿Cuál es la mejor manera de pasar contexto entre tareas en un sistema multiagente?

• ¿Cómo integrar capacidades de búsqueda en Google en tus agentes de IA?

• ¿Cómo construir un proyecto de investigador financiero usando Crew AI?

• ¿Cuál es el proceso para configurar la API de SERP para búsquedas web impulsadas por IA?

¡Entonces esta clase es para ti!

Esta sesión práctica profundiza en la construcción de proyectos con el framework Crew AI, centrándose en la integración de herramientas y la gestión del contexto. Aprenderás cómo equipar a los agentes con capacidades potentes como la búsqueda en Google usando la API de SERP, y dominarás técnicas para pasar información entre tareas en sistemas multiagente. La clase se basa en conceptos fundamentales de agentes, tareas y equipos, demostrando el flujo de trabajo completo para crear un proyecto de investigador financiero desde cero. Recorrerás el proceso de cinco pasos para la implementación de Crew AI, incluyendo la estructura base del proyecto, la configuración con YAML y los parámetros de ejecución adecuados. Perfecto para desarrolladores que buscan construir equipos de agentes de IA sofisticados con capacidades prácticas del mundo real más allá de la funcionalidad básica de los LLMs.

Día 2 - Construcción de sistemas de investigación financiera multiagente con Crew.ai

Si quieres aprender:

• ¿Cómo construir un sistema de IA multiagente para investigación financiera?

• ¿Cómo usar Crew.ai para orquestar agentes de IA especializados con diferentes roles?

• ¿Cómo configurar agentes con historias de fondo y tareas efectivas para un mejor rendimiento?

• ¿Cómo crear flujos de trabajo fluidos donde la salida de la investigación se convierta en entrada para el análisis?

• ¿Cómo aprovechar diferentes modelos LLM como DeepSeek y Llama 3 en un solo sistema?

¡Entonces esta clase es para ti!

Sumérgete en la construcción de sistemas sofisticados de investigación financiera multiagente con Crew.ai. Esta sesión práctica te guía a través de la creación de un flujo completo de análisis financiero con agentes de IA especializados —un investigador y un analista— que trabajan juntos para producir informes completos sobre empresas. Aprenderás cómo configurar los roles e historias de fondo de los agentes, definir tareas estructuradas de investigación y análisis, e implementar el traspaso de contexto entre agentes. La clase demuestra el uso de diferentes modelos de lenguaje (DeepSeek y Llama 3 a través de Grok) para varios componentes de tu sistema, permitiéndote aprovechar las fortalezas de cada modelo. Al final, comprenderás cómo orquestar múltiples agentes de IA en un flujo de trabajo secuencial para generar automáticamente informes financieros profesionales sobre cualquier empresa.

Día 2 - Potenciando agentes de IA con búsqueda web: Solucionando el problema del corte de conocimiento

Si quieres saber:

• ¿Cómo solucionar el problema del corte de conocimiento en los modelos de lenguaje?

• ¿Cómo dar a tus agentes de IA acceso a información en tiempo real desde la web?

• ¿Qué es Serper.dev y cómo integrarlo con Crew AI?

• ¿Cómo construir un asistente de investigación financiera que proporcione información actualizada del mercado?

• ¿Por qué los LLMs tradicionales tienen dificultades con información actual y cómo superar esta limitación?

¡Entonces esta clase es para ti!

Esta sesión práctica demuestra cómo potenciar agentes de IA con capacidades de búsqueda web para solucionar el problema del corte de conocimiento. Aprenderás cómo integrar la herramienta serper.dev en un framework de Crew AI con solo unas pocas líneas de código, permitiendo que tus agentes de IA recuperen información actual desde Google. La clase guía la construcción de un sistema de investigación financiera con múltiples agentes especializados que pueden acceder y sintetizar datos en tiempo real. Verás un ejemplo práctico de cómo transformar un informe financiero desactualizado de Tesla en uno con información actual de 2025 añadiendo funcionalidad de búsqueda web. Perfecto para desarrolladores que buscan crear aplicaciones de IA que se mantengan actualizadas con información del mundo real mientras aprovechan alternativas rentables a llamadas a APIs costosas.

Día 3 - Construcción de un selector de acciones con Crew AI: Sistema multiagente para inversiones

Si quieres aprender:

• ¿Cómo construir un sistema multiagente para la selección automatizada de acciones?

• ¿Cuál es el proceso para crear agentes de IA especializados en análisis financiero?

• ¿Cómo implementar salidas estructuradas y herramientas personalizadas en Crew AI?

• ¿Cómo crear un proceso jerárquico para decisiones de inversión impulsadas por IA?

• ¿Puedes automatizar los flujos de trabajo de investigación financiera y recomendación de acciones?

• ¿Cómo configurar agentes para diferentes tareas de análisis financiero?

¡Entonces esta clase es para ti!

Este tutorial práctico te guía en la construcción de un sofisticado sistema de selección de acciones utilizando el framework multiagente de Crew AI. Implementarás cuatro agentes especializados: un Buscador de Empresas en Tendencia que escanea noticias para detectar oportunidades emergentes, un Investigador Financiero que analiza empresas en tendencia, un Selector de Acciones que elige la mejor opción de inversión, y un Gestor que coordina todo el proceso. La clase demuestra conceptos avanzados de Crew AI, incluyendo salidas estructuradas en formato JSON, creación de herramientas personalizadas para enviar notificaciones y gestión jerárquica de procesos para delegación de tareas. Siguiendo el flujo de trabajo de cinco pasos del proyecto Crew, aprenderás a crear configuraciones YAML efectivas con indicaciones precisas para los agentes, generar secuencias de tareas coherentes y construir un sistema completo de recomendaciones de inversión impulsado por GPT-4o Mini. Perfecto para desarrolladores interesados en aplicaciones de IA financiera y arquitectura de sistemas multiagente.

Día 3 - Implementación de salidas con Pydantic en Crew AI: Tutorial del agente selector de acciones

Si quieres aprender:

• ¿Cómo puedes implementar salidas estructuradas en Crew AI?

• ¿Cuál es la mejor manera de asegurar que los agentes de IA devuelvan datos en un formato específico?

• ¿Cómo construir un agente selector de acciones con múltiples subagentes especializados?

• ¿Cómo funciona el procesamiento jerárquico con un agente gestor?

• ¿Por qué son importantes las restricciones de Pydantic para obtener salidas confiables de los agentes de IA?

¡Entonces esta clase es para ti!

Domina la implementación de salidas estructuradas en Crew AI a través de este tutorial práctico centrado en la construcción de un agente selector de acciones. Aprende a crear esquemas Pydantic BaseModel para restringir las salidas de los agentes en formatos JSON predecibles, asegurando que tus sistemas de IA entreguen exactamente la estructura de datos que necesitas. La clase guía la creación de agentes especializados (buscador de empresas en tendencia, investigador financiero y selector de acciones), la definición de tareas con restricciones de salida mediante Pydantic y la configuración de un proceso jerárquico con un agente gestor para la delegación. Verás ejemplos prácticos de modelos de datos estructurados, configuración de agentes con herramientas serper.dev para investigación web y buenas prácticas para mantener una terminología coherente. Perfecto para desarrolladores que buscan construir sistemas de IA multiagente más confiables con salidas controladas en lugar de respuestas en texto libre.

Día 3 - Desarrollo de herramientas personalizadas para Crew AI: JSON Schema y notificaciones push

Si quieres aprender:

• ¿Cómo desarrollar herramientas personalizadas para aplicaciones de Crew AI?

• ¿Cuál es el proceso para implementar JSON Schema para salidas estructuradas?

• ¿Cómo agregar capacidades de notificaciones push a agentes autónomos?

• ¿Cuál es la diferencia entre procesos jerárquicos y secuenciales en Crew AI?

• ¿Cómo crear una aplicación de selección de acciones con agentes autónomos?

¡Entonces esta clase es para ti!

Sumérgete en el desarrollo de herramientas personalizadas para Crew AI en esta clase práctica centrada en la implementación de JSON Schema y la integración de notificaciones push. Aprenderás cómo crear salidas estructuradas utilizando JSON Schema para asegurar que tus agentes autónomos entreguen resultados con el formato adecuado. La clase demuestra cómo construir e implementar una herramienta personalizada de notificaciones push usando Pushover, permitiendo que tus agentes comuniquen información importante directamente a los usuarios. Experimentarás los beneficios y desafíos de la gestión de procesos jerárquicos en comparación con los flujos de trabajo secuenciales mientras desarrollas una aplicación funcional de selección de acciones. Al final de esta sesión, tendrás experiencia práctica implementando herramientas personalizadas, estructurando salidas de los agentes y mejorando sus capacidades con notificaciones en tiempo real — habilidades esenciales para desarrollar sistemas sofisticados de agentes de IA con Crew AI.

Día 4 - Memoria en Crew AI: Almacenamiento vectorial e implementación con SQL para agentes de IA

Si quieres aprender:

• ¿Cómo implementar diferentes tipos de memoria en los agentes de Crew AI?

• ¿Cuál es la diferencia entre memoria a corto plazo, a largo plazo y memoria de entidades?

• ¿Cómo usar bases de datos vectoriales y almacenamiento en SQL para sistemas de memoria de IA?

• ¿Cómo evitar que los agentes de IA repitan recomendaciones usando la memoria?

• ¿Cómo implementar RAG (Generación Aumentada por Recuperación) en un proyecto práctico?

¡Entonces esta clase es para ti!

Sumérgete a fondo en los frameworks de memoria de Crew AI con una implementación práctica en un proyecto de selección de acciones. Aprende cómo configurar tres tipos distintos de memoria: memoria a corto plazo utilizando almacenamiento RAG con bases de datos vectoriales, memoria a largo plazo con implementación en SQLite y memoria de entidades para almacenar información sobre personas, lugares y conceptos. La clase cubre la implementación paso a paso con incrustaciones de OpenAI e integración con la base de datos Chroma, demostrando cómo mejorar a los agentes de IA con conciencia contextual. Verás exactamente cómo configurar los ajustes de memoria en las definiciones de tus agentes y cómo estos sistemas de memoria permiten a los agentes recordar interacciones previas, evitando recomendaciones repetidas mientras mantienen el contexto conversacional. Perfecto para desarrolladores que buscan construir sistemas de agentes de IA más sofisticados con una comprensión contextual mejorada.

Día 4 - Crew AI para tareas de programación: Agentes que generan y ejecutan código Python

Si quieres saber:

• ¿Cómo crear agentes de IA que puedan escribir y ejecutar código Python?

• ¿Cómo ejecutar código generado por IA de forma segura en un entorno aislado?

• ¿Qué son los agentes programadores y cómo pueden resolver tareas complejas de programación?

• ¿Cómo implementar la ejecución de código con solo un parámetro en Crew AI?

• ¿Es posible que la IA escriba, pruebe e interprete automáticamente los resultados del código?

¡Entonces esta clase es para ti!

Descubre cómo construir potentes agentes de programación usando el framework Crew AI que pueden generar y ejecutar código Python. Esta sesión práctica demuestra el sorprendentemente simple proceso de crear agentes que no solo escriben código, sino que también lo ejecutan en contenedores Docker seguros. Aprenderás cómo implementar la ejecución de código con un solo parámetro —"allow_code_execution=True"— y configurar funciones de seguridad utilizando el ajuste "code_execution_mode=safe". La clase cubre pasos esenciales de configuración, incluyendo el tiempo máximo de ejecución y los límites de reintento, mientras explica el concepto de agentes programadores como herramientas para resolver problemas. Perfecta para desarrolladores que desean automatizar tareas de programación de manera segura, esta demostración práctica muestra cómo frameworks como Crew AI hacen accesibles capacidades complejas de agentes con una configuración mínima. Al final de esta clase, comprenderás cómo crear, configurar y desplegar agentes de programación en Python que puedan escribir código, ejecutarlo e interpretar los resultados para resolver desafíos más amplios.

Día 4 - Crea un agente de IA que escribe en Python: Implementación práctica con Coda

Si quieres aprender:

• ¿Cómo crear un agente de IA que escriba y ejecute código Python?

• ¿Qué implica implementar un asistente de programación usando Coda?

• ¿Cómo puedes configurar un sistema de IA que resuelva tareas complejas de programación?

• ¿Es posible automatizar la generación y ejecución de código en entornos aislados?

• ¿Cuál es la base para construir un equipo de ingeniería de IA?

¡Entonces esta clase es para ti!

Sumérgete en la implementación práctica de un agente de IA que escribe en Python utilizando el framework Coda. Esta sesión práctica demuestra cómo configurar una función de crew que permite a una IA generar, ejecutar y validar código Python de forma autónoma. Verás una demostración del mundo real en la que el agente resuelve un problema matemático complejo generando un programa que calcula una aproximación de pi mediante la suma de una serie. La clase revela el sorprendentemente reducido código necesario para crear esta funcionalidad tan potente, mostrando cómo los contenedores Docker se ejecutan en segundo plano para ejecutar el código generado de forma segura. Esta implementación sirve como base para construir equipos de ingeniería de IA más complejos capaces de resolver problemas de extremo a extremo, convirtiéndose en un conocimiento esencial para cualquiera interesado en el desarrollo práctico y la automatización con IA.

Día 5 - Construcción de equipos de IA: Configura Crew AI para desarrollo colaborativo

Si quieres saber:

• ¿Cómo configurar múltiples agentes de IA para que trabajen como un equipo de ingeniería colaborativo?

• ¿Qué roles especializados pueden asumir los agentes de IA en el desarrollo de software?

• ¿Cómo orquestar tareas entre diferentes modelos de IA como GPT-4o, Claude y DeepSeek?

• ¿Cómo configurar una canalización de software completa con diseño, backend, frontend y pruebas usando Crew AI?

• ¿Por qué distintos modelos de IA pueden ser más adecuados para tareas específicas de desarrollo?

• ¿Cómo gestionar el intercambio de contexto entre agentes de IA en un proyecto de software?

¡Entonces esta clase es para ti!

Sumérgete en el poderoso mundo del desarrollo colaborativo con IA usando Crew AI. Esta clase práctica demuestra cómo configurar un equipo de ingeniería completo utilizando agentes de IA especializados. Aprenderás a crear y orquestar una canalización de desarrollo de software donde un Líder de Ingeniería (usando GPT-4o) crea diseños detallados, un Ingeniero de Backend (usando Claude) implementa el código, un Ingeniero de Frontend construye una interfaz Gradio, y un Ingeniero de Pruebas (usando DeepSeek) escribe pruebas unitarias completas. La clase cubre técnicas esenciales de configuración YAML, intercambio de contexto entre agentes, estrategias de selección de modelos y orquestación de tareas. Al final, comprenderás cómo aprovechar múltiples modelos de IA trabajando en conjunto para manejar flujos de trabajo complejos de desarrollo de software, transformando configuraciones de un solo agente en equipos colaborativos de IA capaces de diseñar, implementar, probar y entregar soluciones de software completas.

Día 5 - Desarrollo colaborativo de agentes de IA para un framework de trading de acciones

Si quieres aprender:

• ¿Cómo construir un sistema colaborativo de agentes de IA para aplicaciones de trading de acciones?

• ¿Cuáles son los roles y responsabilidades clave en un equipo de ingeniería de IA?

• ¿Cómo implementar un framework multiagente usando contenedores Docker para ejecución segura de código?

• ¿Cómo crear un sistema de gestión de cuentas para simulaciones de trading utilizando agentes de IA?

• ¿Cómo aprovechar agentes de IA para construir frameworks de trading financiero sin mucha programación?

• ¿Cómo prepararte para sistemas avanzados de agentes de trading que puedan monitorear los mercados financieros?

¡Entonces esta clase es para ti!

Sumérgete en el desarrollo colaborativo de agentes de IA para aplicaciones de trading de acciones en esta sesión integral. Aprende cómo diseñar un equipo de agentes de IA especializados, incluyendo un Líder de Ingeniería, Ingeniero de Backend, Ingeniero de Frontend e Ingeniero de Pruebas, cada uno con capacidades y limitaciones definidas. La clase demuestra cómo estructurar las interacciones entre agentes usando decoradores y procesamiento secuencial para abordar proyectos financieros complejos. Verás de primera mano cómo este equipo de IA construye un sistema completo de gestión de cuentas para una plataforma de simulación de trading con funciones de seguimiento de cartera, validación de transacciones y cálculo de pérdidas y ganancias. Este framework sirve como base para desarrollar agentes de trading más sofisticados que puedan monitorear mercados y tomar decisiones de inversión. Perfecto para desarrolladores interesados en aplicar sistemas de IA multiagente a aplicaciones financieras sin necesidad de una codificación manual extensa.

Día 5 - Construcción de una aplicación de trading usando GPT-4o y Claude

Si quieres aprender:

• ¿Cómo construir una aplicación de trading completamente funcional usando modelos de IA como GPT-4o y Claude?

• ¿Cuáles son los beneficios prácticos y desafíos de usar el framework Crewe para el desarrollo con IA?

• ¿Cómo implementar funciones de gestión de cuentas, trading de acciones e informes en una aplicación construida con IA?

• ¿Pueden colaborar múltiples modelos de IA de manera efectiva para crear una interfaz de usuario de nivel profesional?

• ¿Cómo depurar y solucionar problemas comunes al desarrollar con frameworks de IA?

¡Entonces esta clase es para ti!

Observa cómo construimos una aplicación de trading completa mediante colaboración entre IA usando GPT-4o, Claude 3.7 y DeepSeek. Esta demostración práctica muestra cómo el framework Crewe orquesta múltiples modelos de IA para desarrollar una sofisticada aplicación financiera con una interfaz impulsada por Gradio. Experimenta todo el proceso de desarrollo, desde la configuración inicial hasta la depuración de problemas comunes, seguido del lanzamiento de una plataforma de trading completamente funcional con gestión de cuentas, capacidades de compra/venta de acciones e informes de cartera. Verás de primera mano los resultados impresionantes del desarrollo impulsado por IA mientras probamos escenarios reales de trading, gestionamos carteras y realizamos el seguimiento del historial de transacciones, todo construido mediante colaboración entre agentes de IA. Perfecto para desarrolladores interesados en aprovechar modelos de lenguaje grande para el desarrollo práctico de aplicaciones y comprender las ventajas y limitaciones entre frameworks potentes y la visibilidad en la depuración.

Día 5 - De módulos individuales a sistemas completos: Técnicas avanzadas de CrewAI

Si quieres aprender:

• ¿Cómo escalar tus proyectos con CrewAI desde módulos individuales hasta sistemas completos?

• ¿Qué técnicas permiten la creación dinámica de tareas en flujos de trabajo de agentes de IA?

• ¿Cómo implementar callbacks en CrewAI para sistemas interactivos y adaptativos?

• ¿Cómo usar salidas estructuradas para clarificar responsabilidades entre agentes de IA?

• ¿Cómo construir aplicaciones con múltiples módulos y miembros de equipo de IA especializados?

¡Entonces esta clase es para ti!

Este tutorial avanzado de CrewAI te lleva más allá de las implementaciones básicas para construir sistemas integrales con múltiples módulos interconectados. Descubrirás cómo implementar flujos de trabajo dinámicos donde las tareas pueden crearse en tiempo de ejecución basándose en salidas previas, permitiendo equipos de desarrollo con IA verdaderamente adaptativos. La clase cubre salidas estructuradas para una comunicación más clara entre agentes, funciones de callback para encadenamiento de tareas y guardarraíles para la validación de salidas. Aprenderás estrategias prácticas para ampliar tus equipos de IA con roles especializados como ingenieros de pruebas y analistas de negocio, lo que permite la creación de aplicaciones completas con componentes tanto de frontend como de backend. Al finalizar, tendrás las habilidades para orquestar colaboraciones complejas entre agentes de IA capaces de construir sistemas de software completos en lugar de módulos aislados.

Día 1 - LangGraph explicado: Arquitectura basada en grafos para agentes de IA robustos

Si quieres aprender:

• ¿Qué es LangGraph y en qué se diferencia de LangChain?

• ¿Cómo puede la arquitectura basada en grafos hacer que los agentes de IA sean más fiables y robustos?

• ¿Por qué es fundamental la tolerancia a fallos para los agentes de IA listos para producción?

• ¿Qué características ofrece LangGraph para flujos de trabajo complejos de agentes?

• ¿Cómo funcionan juntos LangChain, LangGraph y LangSmith dentro del ecosistema?

¡Entonces esta clase es para ti!

Esta clase ofrece una introducción completa a LangGraph, un framework potente para construir sistemas de agentes de IA resilientes utilizando arquitectura basada en grafos. Comprenderás cómo LangGraph organiza flujos de trabajo complejos de agentes en estructuras de árbol, lo que permite estabilidad y repetibilidad en entornos impredecibles. La clase aclara las diferencias entre LangChain (el framework original de abstracción de LLMs), LangGraph (enfocado en flujos de trabajo robustos de agentes) y LangSmith (las herramientas de monitorización). Descubre las capacidades clave de LangGraph, que incluyen integración con humanos en el bucle (human-in-the-loop), colaboración multiagente, gestión de memoria conversacional y puntos de control tipo "viaje en el tiempo". Tanto si estás construyendo sistemas de IA de nivel empresarial como si estás explorando arquitecturas avanzadas de agentes, esta clase te proporciona la base para implementar soluciones de agentes de IA escalables y tolerantes a fallos, capaces de manejar interacciones y procesos complejos de manera fiable.

Día 1 - LangGraph explicado: Comparativa de framework, Studio y componentes de Platform

Si quieres aprender:

• ¿Qué es exactamente LangGraph y cómo está estructurado como framework?

• ¿En qué se diferencian LangGraph Studio y LangGraph Platform del framework principal?

• ¿Cómo se compara LangGraph con otros frameworks de agentes como CrewAI?

• ¿Por qué Anthropic recomienda tener precaución al utilizar capas de abstracción para el desarrollo de agentes?

• ¿Cuáles son los pros y contras entre el uso directo de APIs y el desarrollo basado en frameworks?

¡Entonces esta clase es para ti!

Esta introducción completa desglosa los tres componentes diferenciados del ecosistema LangGraph: el framework principal para construir agentes basados en modelos de lenguaje, LangGraph Studio para la creación visual de grafos y LangGraph Platform para el despliegue a escala empresarial. Comprenderás cómo estos componentes se asemejan a las soluciones que ofrece CrewAI, mientras aprendes sobre su posicionamiento comercial en el ámbito del desarrollo de agentes de IA. La clase también explora la perspectiva contrastante de Anthropic respecto al uso de frameworks, destacando consideraciones clave sobre las capas de abstracción que pueden afectar al proceso de depuración y a la complejidad de los sistemas. Perfecto para desarrolladores que están evaluando frameworks de agentes, esta sesión sienta las bases para una implementación práctica utilizando tanto el framework de LangGraph como LangSmith para monitorización y depuración. Ya sea que estés construyendo tu primer agente de IA o escalando soluciones existentes, este conocimiento fundamental te ayudará a tomar decisiones arquitectónicas informadas.

Día 1 - Teoría de LangGraph: Componentes clave para construir sistemas avanzados de agentes

Si quieres aprender:

• ¿Qué es LangGraph y cómo mejora los sistemas de agentes de IA?

• ¿Cómo representan las estructuras de grafos los flujos de trabajo complejos de los agentes?

• ¿Qué son los estados, nodos y aristas en la arquitectura de LangGraph?

• ¿Cómo conceptualizar el proceso de ejecución en dos fases de LangGraph?

• ¿Por qué los enfoques basados en grafos son tan potentes para orquestar agentes de IA?

¡Entonces esta clase es para ti!

Sumérgete en la teoría fundamental de LangGraph, un framework potente para construir sistemas avanzados de agentes. Esta clase analiza los componentes clave que hacen único a LangGraph, empezando por su representación basada en grafos de los flujos de trabajo de los agentes. Aprenderás cómo los estados capturan el estado de la aplicación, los nodosfuncionan como unidades operativas que ejecutan la lógica del agente y las aristas determinan la dirección del flujo de trabajo en función de condiciones. La clase explica de forma clara el proceso de cinco pasos para crear una aplicación con LangGraph: definir las clases de estado, utilizar el generador de grafos, crear nodos y aristas, compilar el grafo y ejecutar. Perfecto para desarrolladores que vienen de otros frameworks o que quieren comprender los fundamentos conceptuales antes de la implementación práctica. Esta base teórica te prepara para el desarrollo práctico en las próximas sesiones, haciendo que la orquestación de agentes complejos sea más intuitiva y estructurada.

Día 2 - Profundización en LangGraph: Gestión del estado en flujos de trabajo de agentes basados en grafos

Si quieres aprender:

• ¿Cómo funciona la gestión del estado en los flujos de trabajo de agentes de LangGraph?

• ¿Qué hace que el estado sea inmutable y por qué es importante para el desarrollo de agentes?

• ¿Cómo permiten las funciones reducer la ejecución paralela de nodos en LangGraph?

• ¿Cuáles son los cinco pasos fundamentales para construir un flujo de trabajo de agentes basado en grafos?

• ¿Cómo implementar correctamente las transiciones de estado entre nodos en LangGraph?

¡Entonces esta clase es para ti!

Esta clase de profundización en LangGraph se centra en el concepto crucial de la gestión del estado dentro de los flujos de trabajo de agentes basados en grafos. Partiendo de los conceptos fundamentales, dominarás cómo los objetos de estado inmutables mantienen instantáneas consistentes del "mundo" de tu agente. La clase explica cómo las funciones de los nodos transforman el estado sin mutarlo, creando nuevas instancias de estado que preservan la integridad del sistema. Descubrirás cómo las funciones reducer permiten que LangGraph ejecute múltiples nodos simultáneamente sin conflictos de estado, lo que habilita potentes patrones de ejecución paralela. A través de ejemplos prácticos, como la implementación de un nodo contador, obtendrás una comprensión aplicada del proceso de construcción de grafos en cinco pasos: definir las clases de estado, inicializar el generador de grafos, crear los nodos, establecer las aristas y compilar el grafo final. Este conocimiento esencial constituye la base para construir sistemas de agentes sofisticados y fiables, capaces de manejar flujos de trabajo complejos con un comportamiento predecible.

Día 2 - Domina LangGraph: Cómo definir objetos de estado y utilizar reducers

Si quieres aprender:

• ¿Cómo se definen los objetos de estado en LangGraph?

• ¿Qué son los reducers y por qué son importantes en los frameworks basados en grafos?

• ¿Cómo puedes utilizar el tipo Annotated de Python para mejorar la funcionalidad de LangGraph?

• ¿Cuál es la forma correcta de implementar el add_messages reducer?

• ¿Cómo comenzar a construir un StateGraph en LangGraph?

• ¿Cuál es la relación entre los modelos de Pydantic y el estado en LangGraph?

¡Entonces esta clase es para ti!

Este tutorial completo profundiza en los componentes esenciales de la gestión del estado en LangGraph. Dominarás la creación de objetos de estado utilizando modelos de Pydantic y aprenderás a implementar correctamente los reducers, las funciones que combinan y gestionan el estado a lo largo de tu grafo. La clase explica el uso de las anotaciones de tipo en Python y la potente característica Annotated, que LangGraph aprovecha para definir los comportamientos del estado. A través de ejemplos prácticos de código, comprenderás cómo crear una lista de mensajes con el add_messages reducer e inicializar un StateGraph con tu propio objeto de estado personalizado. Este conocimiento fundamental es crucial para construir frameworks de agentes sofisticados y aplicaciones de IA conversacional utilizando LangGraph. Perfecto para desarrolladores con conocimientos básicos de Python que desean crear aplicaciones avanzadas basadas en grafos y con gestión de estado.

Día 2 - Fundamentos de LangGraph: Crear nodos, aristas y flujos de trabajo paso a paso

Si quieres aprender:

• ¿Cómo crear y conectar nodos en LangGraph desde cero?

• ¿Cuál es el proceso para definir aristas en un flujo de trabajo de LangGraph?

• ¿Cómo gestionar correctamente el estado entre nodos en una aplicación de LangGraph?

• ¿Cómo compilar y visualizar tus flujos de trabajo en LangGraph?

• ¿Qué implica ejecutar una aplicación de LangGraph utilizando el método invoke?

• ¿Cómo integrar un flujo de trabajo de LangGraph con una interfaz de chat en Gradio?

¡Entonces esta clase es para ti!

Este tutorial práctico te guía a través de los bloques de construcción fundamentales de los flujos de trabajo en LangGraph. Aprenderás a crear nodos funcionales que gestionan el estado de forma inmutable, conectarlos mediante aristas utilizando puntos de inicio y fin, y compilar todo en un grafo ejecutable. La clase demuestra cada concepto con ejemplos prácticos de código, mostrándote cómo construir una aplicación conversacional sencilla que genere respuestas aleatorias. Verás cómo LangGraph gestiona el estado en segundo plano, descubrirás cómo visualizar la estructura de tu flujo de trabajo y aprenderás a integrar tu grafo con una interfaz de chat en Gradio. Perfecto para desarrolladores que desean comprender la mecánica básica de LangGraph antes de construir aplicaciones más complejas con LLMs y flujos de trabajo avanzados.

Día 2 - Tutorial de LangGraph: Construcción de un chatbot de OpenAI con estructuras de grafos

Si quieres aprender:

• ¿Cómo implementar un chatbot utilizando LangGraph y OpenAI?

• ¿Cuál es la relación entre LangChain y LangGraph al construir aplicaciones de IA?

• ¿Cómo estructurar una IA conversacional utilizando arquitectura basada en grafos?

• ¿Cómo integrar ChatOpenAI en tu aplicación de LangGraph?

• ¿Cuáles son las limitaciones de los chatbots simples sin historial de conversación?

• ¿Cómo configurar un grafo básico con nodos y aristas para una aplicación de IA?

¡Entonces esta clase es para ti!

Este tutorial práctico te guía paso a paso en la construcción de un chatbot funcional de OpenAI utilizando las estructuras de grafos de LangGraph. Aprenderás a definir la gestión del estado, crear un generador de grafos e integrar ChatOpenAI desde LangChain para impulsar tu IA conversacional. La clase demuestra todo el proceso, desde la configuración de nodos y aristas hasta la compilación del grafo y la implementación de una interfaz en Gradio para la interacción con el usuario. Mientras se muestra una implementación funcional, el tutorial también destaca las limitaciones actuales del modelo simple (particularmente su incapacidad para mantener el contexto de la conversación) y ofrece un adelanto de las próximas mejoras, como el historial de conversación y la integración de herramientas. Perfecto para desarrolladores que buscan comprender cómo las arquitecturas basadas en grafos pueden estructurar aplicaciones de IA complejas con componentes claros y modulares.

Día 3 - Tutorial avanzado de LangGraph: Super Steps y Checkpointing explicados

Si quieres aprender:

• ¿Qué son los super steps en LangGraph y por qué son cruciales para las aplicaciones de IA?

• ¿Cómo puedes mantener el contexto de la conversación entre múltiples invocaciones del grafo?

• ¿Qué es el checkpointing en LangGraph y cómo preserva el estado?

• ¿Cómo implementar herramientas integradas y personalizadas en LangGraph?

• ¿Cómo mejora la integración con LangSmith tus aplicaciones de LangGraph?

¡Entonces esta clase es para ti!

Este tutorial avanzado de LangGraph te lleva más allá de los conceptos básicos, introduciéndote en potentes funcionalidades que elevarán tus aplicaciones de IA. Dominarás los super steps, que son invocaciones completas del grafo y constituyen la base del modelo de ejecución de LangGraph. Aprenderás la gestión esencial del estado a través del checkpointing para mantener el contexto a lo largo de múltiples interacciones del usuario. La clase demuestra la implementación práctica de llamadas a herramientas, tanto utilizando las herramientas integradas de LangGraph como soluciones personalizadas. Verás cómo la integración con LangSmith permite un registro y depuración efectivos de tus aplicaciones basadas en grafos. Comprendiendo estos conceptos avanzados, podrás construir sistemas de IA conversacional más robustos, con estado y capaces de mantener un contexto coherente durante interacciones prolongadas con los usuarios. Perfecto para desarrolladores que desean aprovechar al máximo el potencial de LangGraph en aplicaciones listas para producción.

¿Te traduzco la siguiente clase?

Preguntar a ChatGPT

Día 3 - Configuración de Langsmith y creación de herramientas personalizadas para aplicaciones de LangGraph

Si quieres aprender:

• ¿Cómo configurar Langsmith para monitorizar y rastrear aplicaciones de LangGraph?

• ¿Cuál es el proceso para crear herramientas personalizadas para agentes de IA?

• ¿Cómo integrar la API de Google SERP para añadir capacidades de búsqueda web?

• ¿Cómo construir sistemas de notificaciones como herramientas personalizadas?

• ¿Cómo rastrear los costes y el rendimiento de las interacciones de tus agentes de IA?

¡Entonces esta clase es para ti!

Domina los componentes esenciales para construir aplicaciones robustas de LangGraph con este tutorial práctico. Aprenderás a configurar Langsmith para una monitorización integral, depuración y análisis de costes en los flujos de trabajo de tus agentes. Descubrirás cómo aprovechar la funcionalidad tool wrapper de LangChain para transformar tanto servicios preconstruidos (como la API de Google SERP) como funciones personalizadas (como notificaciones con Pushover) en potentes herramientas para tus agentes de IA. Esta sesión práctica te guía a través de todo el proceso, desde la configuración del entorno hasta la implementación, demostrando cómo crear una herramienta de búsqueda y un sistema de notificaciones personalizado que tus aplicaciones de LangGraph puedan utilizar sin problemas. Perfecto para desarrolladores que desean mejorar las capacidades de sus agentes mediante integraciones externas, mientras mantienen visibilidad sobre los costes y métricas de rendimiento.

Día 3 - Tool Calling en LangGraph: Trabajando con aristas condicionales y nodos de herramientas

Si quieres aprender:

• ¿Cómo implementar tool calling dentro de una aplicación de LangGraph?

• ¿Qué son las aristas condicionales y cómo controlan el flujo de ejecución de herramientas?

• ¿Cómo integrar las capacidades de tool calling de OpenAI con la arquitectura con estado de LangGraph?

• ¿Cuál es la diferencia entre preparar herramientas para un LLM y gestionar las respuestas de las herramientas?

• ¿Cómo construir un chatbot que pueda obtener datos en tiempo real y realizar acciones como enviar notificaciones?

¡Entonces esta clase es para ti!

Esta clase demuestra cómo implementar tool calling en LangGraph construyendo un grafo con aristas condicionales y nodos de herramientas. Aprenderás los dos aspectos fundamentales de la integración de herramientas: preparar las descripciones de las herramientas para el modelo y gestionar las llamadas a herramientas en las respuestas. La sesión cubre cómo utilizar TypedDict para los objetos de estado, aprovechar la funcionalidad bind_tools de LangChain para simplificar la gestión de JSON, e implementar aristas condicionales que solo activan la ejecución de herramientas cuando es necesario. A través de una demostración práctica que incluye la búsqueda de tipos de cambio de divisas y el envío de notificaciones push, verás cómo LangGraph gestiona de forma elegante todo el ciclo de vida de las llamadas a herramientas. Al finalizar esta sesión, comprenderás cómo crear agentes de IA sofisticados que puedan recuperar información y ejecutar acciones basadas en las solicitudes de los usuarios, todo dentro del potente framework de control de flujo de LangGraph.

Día 3 - Checkpointing en LangGraph: Cómo mantener la memoria entre conversaciones

Si quieres saber:

• ¿Cómo lograr que tus aplicaciones LLM recuerden las conversaciones entre sesiones?

• ¿Qué es el checkpointing en LangGraph y por qué es tan potente?

• ¿Cómo implementar memoria persistente en tus aplicaciones de asistentes de IA?

• ¿Qué significa "viaje en el tiempo" en el contexto del historial de conversaciones?

• ¿Cómo gestionar múltiples hilos de conversación con una correcta gestión del estado?

¡Entonces esta clase es para ti!

Descubre la solución elegante de Checkpointing en LangGraph para mantener la memoria entre conversaciones. Esta clase demuestra cómo superar las limitaciones de las interacciones sin estado de los LLMs implementando memoria persistente mediante el objeto MemorySaver. Aprenderás a configurar correctamente los IDs de los hilos para organizar diferentes contextos de conversación, acceder a las instantáneas de estado con los métodos get_state y get_state_history, e implementar la impresionante funcionalidad de "viaje en el tiempo" que permite retroceder a cualquier estado previo de la conversación. El instructor desglosa el proceso de implementación con ejemplos prácticos, mostrando cómo esta abstracción relativamente ligera proporciona una gestión robusta y repetible de las conversaciones, sin necesidad de depender de soluciones de memoria basadas en la interfaz de usuario. Perfecto para desarrolladores que desean construir aplicaciones de IA más personalizadas y conscientes del contexto, que realmente recuerden la información del usuario a lo largo de múltiples interacciones.

Día 4 - Integración de Playwright con LangGraph: Creación de agentes de IA que navegan por la web

Si quieres aprender:

• ¿Cómo crear agentes de IA que puedan navegar por la web de forma autónoma?

• ¿Cuál es el proceso para integrar Playwright con LangGraph?

• ¿Cómo construir flujos de trabajo multiagente que puedan navegar por sitios web?

• ¿Cómo ejecutar LangGraph en modo asíncrono para la automatización web?

• ¿Qué herramientas existen para las interacciones con navegadores impulsadas por IA?

• ¿Cómo implementar salidas estructuradas en agentes de navegación web?

¡Entonces esta clase es para ti!

Sumérgete en la potente integración de Playwright con LangGraph para crear sofisticados agentes de IA que navegan por la web. Esta clase presenta el Project Sidekick, demostrando cómo combinar la automatización de navegadores con las capacidades avanzadas de los LLMs. Aprenderás a implementar patrones asíncronos en LangGraph, configurar el toolkitde Playwright para navegadores y construir flujos de trabajo multiagente que puedan navegar y extraer información de sitios web. La sesión cubre conceptos esenciales como los super steps, el checkpointing para la gestión del estado, las funciones reducer y los typed dictionaries para el manejo de datos estructurados. Al finalizar, comprenderás cómo construir agentes de IA que puedan interactuar con páginas web, extraer contenido, navegar por enlaces y realizar tareas complejas basadas en la web, habilidades que cierran la brecha entre los modelos de lenguaje y el entorno dinámico de internet. Perfecto para desarrolladores que buscan ampliar las capacidades de sus agentes de IA más allá de simples llamadas a APIs, hacia interacciones web avanzadas.

Día 4 - Crea asistentes web de IA: Implementación con Playwright, LangChain y Gradio

Si quieres aprender:

• ¿Cómo crear asistentes de IA que puedan navegar por la web de forma autónoma?

• ¿Cuál es el proceso para integrar la automatización de navegadores de Playwright con LangChain?

• ¿Cómo permitir que los agentes de IA extraigan información de sitios web y envíen notificaciones?

• ¿Puedes construir una interfaz de asistente web de IA fácil de usar utilizando Gradio?

• ¿Cómo interactúan los modelos de lenguaje con las ventanas del navegador para recopilar y procesar datos web?

¡Entonces esta clase es para ti!

Esta guía práctica de implementación te guía paso a paso en la construcción de potentes asistentes web de IA utilizando Playwright, LangChain y Gradio. Aprenderás a automatizar las interacciones con navegadores creando herramientas que navegan por sitios web, extraen contenido y generan notificaciones push basadas en la información recopilada. La clase demuestra cómo integrar estos componentes en una arquitectura de agentes basada en grafos que aprovecha modelos de lenguaje como GPT-4o mini para procesar las solicitudes de los usuarios. Implementarás funciones asíncronas para el control del navegador, conectarás tu agente a una interfaz amigable de Gradio y monitorizarás el rendimiento utilizando LangSmith. Al finalizar, habrás creado un asistente web funcional capaz de recuperar información en tiempo real, como titulares de noticias y tipos de cambio, todo a través de comandos en lenguaje natural.

Día 4 - Agentes evaluadores para LLM: Creación de bucles de retroalimentación con salidas estructuradas

Si quieres aprender:

• ¿Cómo crear bucles de retroalimentación en sistemas LLM utilizando agentes evaluadores?

• ¿Cómo implementar salidas estructuradas en LangGraph para garantizar formatos de respuesta?

• ¿Cómo construir sistemas multiagente donde un agente evalúa el trabajo de otro?

• ¿Cómo gestionar estados complejos entre agentes de IA?

• ¿Cómo crear sistemas de IA autocorrectivos que mejoran a través de la retroalimentación?

• ¿Cómo prepararte para construir aplicaciones de asistentes sofisticadas?

¡Entonces esta clase es para ti!

Esta clase explora la creación de agentes evaluadores para LLM que forman bucles de retroalimentación mediante salidas estructuradas. Aprenderás a implementar un sistema multiagente donde un evaluador analiza las respuestas de un agente trabajador en función de criterios de éxito predefinidos. La clase demuestra cómo definir esquemas de salida estructurada con objetos de Pydantic, gestionar el estado con TypedDict y construir flujos de trabajo sofisticados donde las respuestas se evalúan antes de llegar al usuario final. Implementarás un sistema utilizando GPT-4o mini capaz de reconocer cuándo se necesita información adicional por parte del usuario o cuándo las respuestas no cumplen los criterios establecidos, lo que activa ciclos de autocorrección. Este enfoque práctico para construir sistemas de IA evaluativos con LangGraph sirve como preparación para el próximo proyecto Sidekick, dotándote de técnicas esenciales para desarrollar asistentes de IA avanzados con mecanismos de control de calidad.

Día 4 - Creación de bucles de retroalimentación en LLM: Implementación del patrón Worker-Evaluator en LangGraph

Si quieres aprender:

• ¿Cómo implementar bucles de retroalimentación en LLM utilizando LangGraph?

• ¿Qué es el patrón Worker-Evaluator y cómo mejora las salidas de la IA?

• ¿Cómo crear una lógica de enrutamiento condicional para flujos de trabajo de agentes?

• ¿Cómo construir sistemas donde los LLMs evalúan sus propias respuestas?

• ¿Qué técnicas de prompting hacen que los agentes de IA autocríticos sean más efectivos?

¡Entonces esta clase es para ti!

En esta clase dominarás la implementación de bucles de retroalimentación en LLM mediante el patrón Worker-Evaluator en LangGraph. Analizaremos todo el proceso para construir un sistema de IA en el que un modelo evalúa las salidas de otro, creando un flujo de trabajo que se mejora a sí mismo. Aprenderás a construir funciones de enrutamiento de trabajadores para controlar el flujo de manera condicional, implementar salidas estructuradas utilizando Pydantic y desarrollar prompts de evaluación efectivos que determinen si se cumplen los criterios de éxito. La demostración práctica te mostrará cómo conectar estos componentes mediante aristas condicionales en LangGraph, creando un flujo de trabajo genuinamente basado en agentes donde las respuestas se refinan automáticamente hasta que alcanzan los estándares de calidad. Este enfoque práctico de ingeniería de IA te dotará de técnicas esenciales para construir sistemas de IA más fiables, autocríticos y capaces de manejar tareas complejas con una mínima intervención humana.

Día 4 - Construcción de un asistente de IA con LangGraph, Gradio y automatización de navegador

Si quieres saber:

• ¿Cómo construir un asistente de IA que pueda navegar por la web de forma autónoma?

• ¿Cómo integrar LangGraph con Gradio para crear asistentes de IA interactivos?

• ¿Cómo implementar automatización de navegador en agentes de IA para que naveguen por sitios web?

• ¿Cómo crear un sistema de evaluación donde un agente analice el trabajo de otro?

• ¿Cómo visualizar y depurar los flujos de trabajo de agentes de IA utilizando LangSmith?

¡Entonces esta clase es para ti!

Esta sesión práctica demuestra cómo construir un sofisticado asistente de IA utilizando LangGraph, Gradio y automatización de navegador. Aprenderás a implementar la gestión de hilos para manejar múltiples usuarios concurrentes, a crear la gestión del estado para conversaciones persistentes y a diseñar flujos de trabajo asíncronos utilizando coroutines. La clase te guía paso a paso en la construcción de un sistema de doble agente: un agente trabajador que realiza tareas de navegación web utilizando Playwright, y un agente evaluador que analiza el cumplimiento de las tareas en función de los criterios de éxito definidos por el usuario. Verás una demostración en vivo del sistema recuperando tipos de cambio de divisas al navegar por un sitio web, seguida de un análisis del flujo de ejecución en LangSmith. Esta implementación práctica muestra cómo crear agentes de IA con capacidades reales, al mismo tiempo que se mantiene un uso eficiente de tokens (solo 0,2 céntimos por interacción). Perfecto para desarrolladores que desean construir asistentes de IA capaces de interactuar con interfaces web y evaluar su propio rendimiento.

Día 5 - IA basada en agentes: Añade búsqueda web, sistema de archivos y Python REPL a tu asistente

Si quieres aprender:

• ¿Cómo mejorar tu asistente de IA con capacidades de búsqueda web usando la API de SERP?

• ¿Qué implica dar acceso al sistema de archivos a tu agente de IA para leer y escribir documentos?

• ¿Cómo implementar la capacidad de ejecutar código Python en tu asistente?

• ¿Cómo integrar consultas de Wikipedia en tu sistema de IA basado en agentes?

• ¿Puedes construir tu propia versión de potentes herramientas de IA autónomas como Manus?

• ¿Qué consideraciones de seguridad son importantes al construir agentes de IA que usan herramientas?

¡Entonces esta clase es para ti!

En esta guía completa sobre IA basada en agentes (Agentic AI), aprenderás a transformar un asistente básico en un potente acompañante mediante la integración de herramientas esenciales. La clase cubre la implementación de funcionalidad de búsqueda web con la API de SERP, el acceso al sistema de archivos para leer y escribir documentos, la incorporación de la recuperación de información desde Wikipedia y la habilitación de capacidades para ejecutar código Python. Explorarás la arquitectura modular de la aplicación Sidekick, dividida en tres componentes de Python: las herramientas de Sidekick, la clase central de Sidekick y la interfaz de usuario de Gradio. El instructor hace hincapié en las aplicaciones prácticas, los riesgos potenciales y las buenas prácticas al crear sistemas de IA autónomos. Al finalizar esta sesión, comprenderás cómo construir un asistente de IA personalizable que pueda realizar tareas reales mientras mantiene las salvaguardas adecuadas.

Día 5 - Integración de herramientas de LangChain: Construcción de un potente asistente de IA desde cero

Si quieres aprender:

• ¿Cómo construir un potente asistente de IA que pueda buscar en la web, gestionar archivos y ejecutar código Python?

• ¿Qué herramientas de LangChain puedes integrar para crear un asistente de IA versátil?

• ¿Cómo implementar automatización de navegador, búsquedas en Wikipedia y gestión de archivos en tus aplicaciones de IA?

• ¿Cuál es la forma adecuada de estructurar el código para un agente de IA con acceso a múltiples herramientas externas?

• ¿Cómo hacer la transición de prototipos experimentales en notebooks a módulos de Python listos para producción?

¡Entonces esta clase es para ti!

Este tutorial completo te guía en la construcción de un asistente de IA personalizable desde cero utilizando las capacidades de integración de herramientas de LangChain. Aprenderás a dotar a tu agente de potentes herramientas, incluyendo Google SERP para búsquedas web, Playwright para automatización de navegador, la API de Wikipedia para recuperación de información, un toolkit de gestión de archivos para interactuar con tu sistema y Python REPL para ejecutar código.

La clase demuestra cómo estructurar tu aplicación utilizando una clase Sidekick que gestiona el estado, evalúa el rendimiento mediante salidas estructuradas e implementa una correcta gestión de recursos. Comprenderás cómo utilizar técnicas de programación asíncrona para construir un flujo de trabajo basado en grafos que permita razonamiento complejo y ejecución de tareas.

Perfecto para ingenieros de IA que desean crear asistentes prácticos, esta guía práctica muestra tanto el enfoque experimental con notebooks para crear prompts e iterar, como la forma de pasar a módulos de Python organizados. Al finalizar, tendrás una base sólida para construir un colaborador de IA que pueda mejorarse continuamente con herramientas y capacidades adicionales de LangChain.

Día 5 - Creación de flujos de trabajo de IA: Constructores de grafos y técnicas de comunicación entre nodos

Si quieres saber:

• ¿Cómo diseñar e implementar flujos de trabajo de IA con componentes que se comuniquen entre sí?

• ¿Qué técnicas permiten una comunicación efectiva entre diferentes nodos en un sistema de IA?

• ¿Cómo construir nodos de trabajo (worker nodes) y nodos evaluadores que colaboren de forma fluida?

• ¿Cómo implementar enrutamiento condicional en arquitecturas de grafos de IA?

• ¿Cómo perfeccionar los prompts para obtener un rendimiento óptimo de la IA en flujos de trabajo complejos?

• ¿Qué buenas prácticas seguir al gestionar el estado entre los nodos de un sistema de IA?

¡Entonces esta clase es para ti!

Esta sesión completa explora la creación de flujos de trabajo sofisticados de IA utilizando constructores de grafos (graph builders) y técnicas de comunicación entre nodos. Aprenderás a construir y configurar nodos de trabajo que se encargan de las tareas y nodos evaluadores que analizan las salidas, creando un sistema de IA que se mejora a sí mismo. Dominarás la implementación del enrutamiento condicional entre nodos para habilitar rutas de decisión complejas en tus flujos de trabajo. La clase demuestra técnicas prácticas de prompt engineering, mostrando cómo perfeccionar de manera iterativa los mensajes del sistema basándose en los resultados experimentales. Explorarás patrones de gestión del estado, enfoques de integración de herramientas y la gestión de recursos para componentes como navegadores sin interfaz (headless browsers). Al comprender estos patrones arquitectónicos, serás capaz de construir flujos de trabajo de IA robustos, con capacidades de evaluación inteligente, una gestión de estado adecuada y estrategias efectivas de comunicación entre nodos; habilidades esenciales para desarrollar sistemas avanzados de agentes de IA.

Día 5 - Creación de sesiones de usuario aisladas en aplicaciones de Gradio mediante gestión del estado

Si quieres aprender:

• ¿Cómo implementar sesiones de usuario aisladas en aplicaciones de Gradio?

• ¿Por qué es crucial la gestión del estado en aplicaciones de Gradio con múltiples usuarios?

• ¿Cómo evitar que se compartan variables entre diferentes usuarios que acceden a tu interfaz de Gradio?

• ¿Cuál es la forma adecuada de usar callbacks en Gradio para la gestión de sesiones?

• ¿Cómo inicializar y liberar recursos de forma limpia para cada sesión de usuario?

¡Entonces esta clase es para ti!

Este tutorial práctico profundiza en la implementación de una correcta gestión del estado en aplicaciones de Gradio, garantizando que cada usuario tenga su propia sesión aislada. Aprenderás a estructurar tu aplicación de Gradio utilizando el objeto de estado para mantener variables específicas de cada sesión, evitando así el error común de compartir estado entre múltiples usuarios. La clase demuestra cómo aprovechar el sistema de callbacks de Gradio —especialmente el load callback— para inicializar las sesiones de usuario y limpiar adecuadamente los recursos al finalizar cada sesión. Acompáñanos en la implementación de una clase Sidekick que mantiene el estado aislado y observa cómo funciona el procesamiento asíncrono dentro del framework de Gradio. Perfecto para desarrolladores que están construyendo interfaces de Gradio para múltiples usuarios y necesitan garantizar la privacidad de los datos y evitar la interferencia entre usuarios en flujos de trabajo basados en grafos.

Día 5 - Dentro de los bucles de retroalimentación de IA: Cómo la IA evalúa y corrige errores

Si quieres saber:

• ¿Cómo evalúan y corrigen realmente los sistemas de IA sus propios errores?

• ¿Qué sucede entre bastidores cuando un asistente de IA procesa tu solicitud?

• ¿Cómo pueden los asistentes de IA realizar tareas complejas como crear informes y enviar notificaciones?

• ¿Por qué algunas respuestas de IA mejoran tras varias iteraciones sin que veas el proceso?

• ¿Cómo funciona la memoria de la IA al gestionar solicitudes de seguimiento?

¡Entonces esta clase es para ti!

Esta clase te lleva tras bastidores en los procesos de toma de decisiones de la IA, demostrando en acción los bucles de retroalimentación en tiempo real. Verás cómo el asistente de IA "Sidekick" procesa consultas, evalúa sus propias respuestas y corrige errores de forma automática mediante mecanismos internos de retroalimentación. La demostración incluye ver a la IA realizar cálculos, buscar información en internet, escribir informes en formato Markdown en archivos e incluso enviar notificaciones push con recomendaciones de restaurantes. Obtendrás información valiosa sobre cómo los sistemas modernos de IA utilizan marcos de evaluación para mejorar la calidad de las respuestas, gestionar errores de sintaxis y mantener la comprensión del contexto a lo largo de múltiples interacciones. Perfecto para cualquiera que desee comprender el funcionamiento interno de los asistentes de IA y los sofisticados mecanismos de autocorrección que los hacen cada vez más fiables.

Día 5 - Actualizaciones para asistentes de IA: Memoria, preguntas aclaratorias y herramientas personalizadas

Si quieres aprender:

• ¿Cómo mejorar tu asistente de IA con potentes capacidades de memoria?

• ¿Qué técnicas pueden hacer que tu IA formule mejores preguntas aclaratorias?

• ¿Cómo implementar herramientas personalizadas específicas para las necesidades de tu flujo de trabajo?

• ¿Por qué las arquitecturas multiagente pueden resolver problemas complejos de forma más efectiva?

• ¿Cómo pasar de una memoria básica a un sistema de memoria persistente basado en SQL?

• ¿Cuáles son las ventajas y desventajas de los diferentes enfoques de delegación entre agentes?

¡Entonces esta clase es para ti!

Esta clase explora técnicas avanzadas para personalizar y mejorar asistentes de IA. Aprenderás a transformar un asistente básico en un potente acompañante implementando sistemas de memoria persistente basados en SQL, que recuerdan las interacciones de los usuarios entre sesiones. Dominarás el arte de programar tu IA para que formule preguntas aclaratorias antes de abordar tareas, mejorando significativamente la precisión de las respuestas. Descubrirás cómo crear e integrar herramientas personalizadas adaptadas a tus flujos de trabajo y casos de uso específicos. La sesión cubre arquitecturas multiagente, comparando los beneficios de los agentes individuales frente a los agentes especializados en planificación y ejecución que trabajan en conjunto. La guía práctica incluye el aprovechamiento de las funciones de inicio de sesión de Gradio para la identificación de usuarios y el seguimiento de conversaciones. Este enfoque práctico con LangGraph demuestra cómo equilibrar autonomía y especialización en el diseño de asistentes de IA, proporcionándote técnicas aplicables para crear sistemas de IA más capaces y personalizados, que se adapten a tus necesidades concretas.

Día 1 - Microsoft Autogen 0.5.1: El framework de agentes de IA explicado para principiantes

Si quieres aprender:

• ¿Qué es Microsoft Autogen 0.5.1 y en qué se diferencia de las versiones anteriores?

• ¿Por qué deberían los principiantes interesarse en los frameworks de agentes de IA?

• ¿Qué ocurrió entre Microsoft y los creadores originales de Autogen?

• ¿Cómo navegar la confusión entre el Autogen oficial y AG2?

• ¿Qué versión de Autogen deberías usar en proyectos de desarrollo?

¡Entonces esta clase es para ti!

Esta introducción completa a Microsoft Autogen 0.5.1 desglosa los fundamentos de este potente framework de agentes de IA para principiantes absolutos. Conocerás la reciente evolución de Autogen, desde la versión 0.2 hasta las versiones completamente reescritas 0.4/0.5.1, que cuentan con una arquitectura asincrónica orientada a eventos diseñada para ofrecer mejor capacidad de observación, flexibilidad y escalabilidad. La clase aclara la confusa división entre el Autogen oficial de Microsoft y el proyecto bifurcado AG2/Agent OS 2 creado por los desarrolladores originales, explicando las diferencias clave y las consideraciones para la instalación. Perfecta para desarrolladores que buscan comprender el ecosistema de agentes de IA respaldado por Microsoft antes de pasar a la implementación. Esta clase proporciona el contexto esencial para trabajar con las capacidades más recientes de Autogen, evitando al mismo tiempo los puntos comunes de confusión en la documentación y la instalación.

Día 1 - AutoGen vs otros frameworks de agentes: comparación de características y componentes

Si quieres aprender:

• ¿Qué es exactamente AutoGen y cómo se compara con otros frameworks de agentes?

• ¿Cuáles son los componentes clave de AutoGen y cómo funcionan juntos?

• ¿En qué se diferencia la arquitectura de AutoGen de Crew, LangChain y OpenAI Agents SDK?

• ¿Por qué AutoGen está posicionado de forma diferente como un proyecto de código abierto de Microsoft Research?

• ¿Cuáles son los bloques fundamentales para crear sistemas multiagente con AutoGen?

• ¿Cómo puedes implementar agentes usando AutoGen Agent Chat y AutoGen Core?

¡Entonces esta clase es para ti!

Sumérgete en el desglose completo de AutoGen, el potente framework para construir sistemas multiagente escalables. Esta clase analiza la arquitectura de AutoGen, comparándola con otros frameworks líderes de agentes y destacando su posicionamiento único como una contribución de código abierto de Microsoft Research. Explorarás los distintos componentes, incluyendo AutoGen Core (el tiempo de ejecución de agentes para mensajería distribuida), AutoGen Agent Chat (la abstracción ligera para agentes basados en LLM), AutoGen Studio (constructor visual de bajo código) y Magnetic One (interfaz de línea de comandos). La clase se centra principalmente en AutoGen Agent Chat y Core, demostrando cómo estos componentes implementan conceptos familiares como modelos, mensajes, agentes y equipos. Perfecta para desarrolladores que buscan comprender todo el panorama de los frameworks de agentes y aprovechar las capacidades de AutoGen para construir aplicaciones multiagente sofisticadas, con ejemplos prácticos de integración con SQL.

Día 1 - Tutorial de AutoGen Agent Chat: creación de herramientas e integración con bases de datos

Si quieres saber:

• ¿Cómo implementar la funcionalidad Agent Chat de AutoGen desde cero?

• ¿Cuál es la forma más sencilla de integrar bases de datos SQLite con agentes de IA?

• ¿Cómo crear y utilizar herramientas personalizadas en AutoGen sin decoradores complejos?

• ¿Cómo se compara AutoGen con otros frameworks como Crew AI y OpenAI Agents SDK?

• ¿Puedes ejecutar AutoGen con modelos en la nube y modelos locales?

¡Entonces esta clase es para ti!

Sumérgete en la funcionalidad Agent Chat de AutoGen con este tutorial completo que te guía en la creación de agentes inteligentes capaces de integrarse con bases de datos. Aprenderás a implementar los componentes clave de AutoGen: modelos, mensajes y agentes. Descubrirás el enfoque simplificado para crear herramientas personalizadas sin decoradores complicados, mientras construyes un asistente de aerolíneas que consulta una base de datos SQLite para obtener precios de billetes. El tutorial demuestra tanto la implementación en la nube con GPT-4o Mini como la configuración local con modelos de Ollama como Llama 3. Dominarás conceptos esenciales como agentes asistentes, clientes de modelos, mensajes de sistema, mensajes de texto y el práctico parámetro reflect_on_tool_use. Esta guía práctica destaca la capa de abstracción ligera de AutoGen que simplifica el desarrollo de agentes en comparación con frameworks como OpenAI Agents SDK y LangGraph, lo que la hace perfecta para desarrolladores que buscan formas eficientes de construir sistemas conversacionales de IA con integración a bases de datos.