Udemy
    •  
    •  
    •  
    •  
    •  
    •  
    •  
    •  
Subscribe
Turn what you know into an opportunity and reach millions around the world.
Learn More
Your cart is empty.
Keep shopping
Curso Completo de Ingeniería de Agentes de IA (2025)
Bestseller
Rating: 4.7 out of 5(766 ratings)
5,673 students

Curso Completo de Ingeniería de Agentes de IA (2025)

Domina los Agentes de IA en 30 días: construye 8 proyectos reales con OpenAI Agents SDK, CrewAI, LangGraph, AutoGen, MCP
Bestseller
Created byEd Donner, Ligency ​, Juan Gabriel Gomila Salas
Last updated 12/2025
Spanish

What you'll learn

  • Cómo aplicar la IA Agente a problemas comerciales del mundo real.
  • Diseñar soluciones Agente con patrones de diseño probados y mejores prácticas.
  • Conectar LLMs para colaborar utilizando los fundamentos de la IA Agente, como Herramientas, Salidas Estructuradas y Memoria.
  • Crear aplicaciones Autónomas de IA Agente con CrewAI, incluyendo Agentes que escriben y ejecutan código.
  • Construir rápidamente soluciones de Agente con OpenAI Agents SDK.
  • Construir soluciones Agente robustas y repetibles con LangGraph.
  • Ser pionero en la vanguardia de la IA Agente con AutoGen AgentChat y AutoGen Core.
  • Desbloquear las vastas capacidades de herramientas y recursos de código abierto habilitados por el Modelo Contextual de Anthropic (MCP).
  • Ofrecer soluciones comerciales innovadoras, basadas en la experiencia adquirida de 8 proyectos reales.

Course content

7 sections • 128 lectures • 25h 17m total length

  • Día 1 - Demostración de Agentes Autónomos de IA: Usando N8n para Smart Homes14:46

    Día 1 - Demostración de Agentes Autónomos de IA: Usando N8n para Controlar Dispositivos de Casa Inteligente

    Si quieres aprender:

    • ¿Cómo crear agentes autónomos de IA que controlen dispositivos de casa inteligente?

    • ¿Qué hace que N8n sea una herramienta poderosa para la automatización de IA sin necesidad de programar?

    • ¿Cómo integrar OpenAI con tecnologías de casas inteligentes?

    • ¿Pueden los agentes de IA tomar decisiones independientes para controlar las luces Philips Hue?

    • ¿Cuáles son los fundamentos para construir flujos de trabajo prácticos de IA para automatización del hogar?

    ¡Entonces esta lección es para ti!

    Experimenta una demostración práctica de agentes autónomos de IA en acción utilizando N8n, una plataforma de automatización de flujos de trabajo de bajo código con capacidades de IA generativa integradas. Observa cómo el instructor Ed Donner crea un flujo de trabajo completo de IA que controla las luces inteligentes Philips Hue mediante simples comandos de chat. La demostración muestra cómo los agentes de IA pueden conectarse a dispositivos del mundo real, procesar instrucciones en lenguaje natural e incluso tomar decisiones autónomas cuando se les presentan opciones. Esta introducción práctica establece las bases para una exploración más profunda de la IA Agente en el curso, donde irás más allá del uso de herramientas existentes para programar y crear tus propios agentes de IA. Perfecto para principiantes interesados en automatización de casas inteligentes, integración de IA y ver resultados tangibles e inmediatos de aplicaciones de inteligencia artificial.

  • Día 1 - Marcos de Agentes de IA Explicados: OpenAI SDK, Crew AI, LangGraph y más14:02

    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 más14:59

    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.

  • Día 1 - Configuración de Windows para el Desarrollo de IA: Git, Cursor IDE y más21:39

    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 Clave24:53

    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 OpenA26:18

    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 la IA Agente: Creación de Flujos de Trabajo LLM Multinivel2:14

    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 Explicación8:42

    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 diseñar LLMs13:24

    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 Trabajo9:33

    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: Comparar GPT-4, Claude, Gemini, DeepSeek14:10

    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 más Modelos17:42

    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 - Comparar APIs de LLM: Usando la Biblioteca Cliente de OpenAI con Claude22:11

    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 Respuestas16:07

    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: Bloques0:44

    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 Potencia8:55

    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 LLM10:08

    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 OpenAI16:49

    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-LLM23:26

    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 - Construir de Flujos de Trabajo Agenticos con LLM: Recursos, Herramientas1:44

    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 Push13:30

    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 Ejecutar9:12

    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 Herramientas3:41

    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.

  • Day 5 - Creating & Deploying an AI Agent: From Chat Loop to HuggingFace Spaces21:19

    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.

  • Day 5 - Deploying Career Conversation Chatbots to Gradio15:50

    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 Completo2:40

    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.

  • Proyecto 1

Requirements

  • Aunque es ideal que sepas programar en Python y tengas algo de experiencia trabajando con LLMs, este curso está diseñado para una audiencia muy amplia, sin importar su nivel o experiencia previa. He incluido una carpeta completa de laboratorios de autoestudio que cubren habilidades técnicas y de programación fundamentales. Si eres nuevo en la programación, solo hay un requisito: ¡mucha paciencia!
  • El curso funciona mejor si tienes un presupuesto pequeño para APIs, pero es totalmente opcional. Puedes completar todo el curso sin gastar en APIs. Si deseas utilizar modelos de vanguardia, el gasto típico sería inferior a $5. Puedes optar por acceder a más capacidades si te sientes cómodo gastando un poco más.

Description

El 2025 es el año en que los Agentes entran al mercado laboral. Este es un momento decisivo para la Inteligencia Artificial. Nunca ha sido más importante ser un experto en IA Agente, y ese es precisamente el objetivo de este curso: dotarte de las habilidades y conocimientos necesarios para diseñar, construir y desplegar Agentes de IA Autónomos, abriendo nuevas oportunidades comerciales y profesionales.

Este es un programa intensivo de 6 semanas para dominar la IA Agente. Comenzamos construyendo una base sólida, conectando Modelos de Lenguaje Grande (LLMs) usando patrones de diseño probados. Luego, cada semana, mejoraremos nuestras habilidades con nuevos marcos: OpenAI Agents SDK, CrewAI, LangGraph y Autogen. El curso culmina con una semana completa dedicada a las impresionantes oportunidades que abre MCP.

Sobre todo, este es un curso práctico. Creo firmemente que la mejor manera de aprender es HACIENDO. ¡Así que prepárate para ponerte manos a la obra! Construiremos 8 proyectos del mundo real; algunos son sorprendentes, otros intrigantes y algunos bastante surrealistas. Pero una cosa es segura: todos son poderosas demostraciones del potencial de la IA Agente para transformar por completo el panorama empresarial.

Únete a mí en este viaje completo de 6 semanas. Al final, habrás dominado la IA Agente. Tendrás experiencia en todos los marcos principales. Estarás bien versado en las fortalezas y trampas de la IA Agente. Desplegarás con confianza Agentes Autónomos para resolver problemas comerciales reales. Y durante el proceso, habrás disfrutado muchísimo con la asombrosa y revolucionaria tecnología que es la IA Agente.

Who this course is for:

  • Bueno, tal vez esté siendo parcial, pero diría: ¡cualquiera y todos! Si te fascina el potencial de los Agentes y tienes ganas de adquirir las habilidades para crear poderosa IA Agente, entonces has llegado al lugar indicado. Aunque está más orientado a quienes tienen experiencia en programación, he diseñado el curso para que funcione para personas de cualquier formación.
  • Estudiantes de nuestra ruta de IA que busquen llevar sus habilidades al siguiente nivel con Ingeniería de Agentes de IA

Report abuse