Desarrollo de Aplicaciones con Agentes de IA

Para devs, ML engineers, data scientists, CTOs, founders, PMs y builders que ya no quieren jugar con prompts: quieren diseñar agentes de IA útiles, medibles y listos para producción.

Habilidades:

Agentes IA, multiagentes, RAG, orquestación, evaluación, seguridad

Nivel: Intermedio

Requisitos:

Programación básica y nociones de IA generativa.

Michael Albada es ingeniero de machine learning con nueve años de experiencia diseñando, construyendo y desplegando soluciones de aprendizaje automático a gran escala en Uber, ServiceNow y Microsoft.

Ha trabajado en sistemas de recomendación, modelado geoespacial, ciberseguridad, procesamiento de lenguaje natural, modelos de lenguaje grandes y desarrollo de sistemas multiagente a gran escala para ciberseguridad.

Cuenta con un B.A. por Stanford University, un M.Phil. por la University of Cambridge y una maestría por Georgia Tech con concentración en machine learning.

Introducción a los agentes de IA

• Qué es un agente de IA y qué lo diferencia de un flujo tradicional.
• Cómo la revolución del preentrenamiento hizo posibles los sistemas agentic modernos.
• Tipos de agentes y casos prácticos de aplicación.
• Selección de modelos y transición de operaciones síncronas a asíncronas.
• Diferencia entre workflows y agentes.
• Principios para construir sistemas agentic efectivos.
• Frameworks como LangGraph, AutoGen, CrewAI y OpenAI Agents SDK.

Diseño de sistemas de agentes

• Cómo construir tu primer sistema de agentes.
• Componentes centrales: modelos, herramientas, memoria y orquestación.
• Diseño de capacidades para tareas específicas.
• Integración modular de herramientas.
• Memoria de corto plazo, memoria de largo plazo y recuperación de información.
• Trade-offs entre velocidad, precisión, escalabilidad, confiabilidad y costos.
• Patrones de arquitectura de agente único y sistemas multiagente.
• Buenas prácticas de diseño iterativo, evaluación y pruebas en escenarios reales.

Experiencia de usuario para sistemas agentic

• Interfaces basadas en texto, gráficos, voz, video y experiencias multimodales.
• Diseño del nivel de autonomía: cuánto decide el agente y cuánto decide el usuario.
• Experiencias síncronas y asíncronas.
• Cómo equilibrar comportamiento proactivo sin volverlo invasivo.
• Retención de contexto, continuidad, personalización y adaptabilidad.
• Cómo comunicar capacidades, incertidumbre y confianza.
• Diseño de fallos elegantes para mantener la confianza del usuario.

Uso de herramientas

• Fundamentos de LangChain.
• Herramientas locales, herramientas basadas en APIs y plug-ins.
• Uso de Model Context Protocol.
• Herramientas con estado y configuración de uso de herramientas.
• Modelos fundacionales como creadores de herramientas.
• Generación de código en tiempo real para extender capacidades.

Orquestación de agentes

• Agentes reflejo, agentes ReAct, planner-executor, query-decomposition, reflection y deep research agents.
• Selección estándar, semántica y jerárquica de herramientas.
• Ejecución de herramientas en cadenas, grafos y paralelo.
• Topologías de herramientas para sistemas simples y complejos.
• Context engineering para mejorar desempeño y coherencia.

Conocimiento y memoria

• Gestión de ventanas de contexto.
• Búsqueda tradicional de texto completo.
• Memoria semántica y vector stores.
• Implementación de búsqueda semántica.
• Retrieval-Augmented Generation o RAG.
• Memoria semántica de experiencia.
• GraphRAG con grafos de conocimiento.
• Promesas y riesgos de los grafos de conocimiento dinámicos.
• Toma de notas como mecanismo de memoria agentic.

Aprendizaje en sistemas agentic

• Aprendizaje no paramétrico y aprendizaje por ejemplos.
• Reflexion y aprendizaje experiencial.
• Fine-tuning de modelos fundacionales grandes.
• Potencial de modelos pequeños especializados.
• Supervised fine-tuning, Direct Preference Optimization y reinforcement learning con recompensas verificables.

De un agente a muchos

• Cómo decidir cuántos agentes necesitas.
• Cuándo usar un agente único, múltiples agentes o enjambres.
• Principios para agregar agentes sin crear caos.
• Coordinación democrática, coordinación por manager, jerarquías y enfoques actor-critic.
• Diseño automatizado de sistemas de agentes.
• Comunicación local y distribuida entre agentes.
• Protocolos agent-to-agent.
• Message brokers, event buses y frameworks como Ray, Orleans y Akka.
• Motores de orquestación, workflows, estado y persistencia.

Validación y medición

• Por qué la medición es la piedra angular de los sistemas agentic.
• Cómo integrar evaluación dentro del ciclo de desarrollo.
• Creación y escalamiento de conjuntos de evaluación.
• Evaluación de herramientas, planificación, memoria y aprendizaje.
• Evaluación holística de desempeño end-to-end.
• Medición de consistencia, coherencia, alucinaciones y manejo de entradas inesperadas.
• Preparación para despliegue en producción.

Monitoreo en producción

• Cómo aprender del comportamiento real de los agentes en producción.
• Stacks de monitoreo como Grafana, OpenTelemetry, Loki, Tempo, ELK, Arize Phoenix, SigNoz y Langfuse.
• Instrumentación con OTel.
• Visualización, alertas y patrones de monitoreo.
• Shadow mode, canary deployments y recolección de trazas de regresión.
• Agentes con mecanismos de self-healing.
• Feedback de usuarios como señal de observabilidad.
• Distribution shifts, ownership de métricas y gobernanza cross-functional.

Ciclos de mejora continua

• Pipelines de feedback para detectar problemas y causas raíz.
• Revisión human-in-the-loop.
• Refinamiento de prompts y herramientas.
• Priorización de mejoras.
• Experimentación con shadow deployments, A/B testing y Bayesian bandits.
• Aprendizaje continuo con in-context learning y offline retraining.

Protección de sistemas agentic

• Riesgos únicos de los sistemas de agentes.
• Vectores emergentes de amenaza.
• Técnicas defensivas para modelos fundacionales.
• Red teaming y modelado de amenazas con MAESTRO.
• Privacidad, cifrado, procedencia e integridad de datos.
• Manejo de información sensible.
• Salvaguardas contra amenazas externas y fallas internas.

Colaboración humano-agente

• El nuevo rol de las personas dentro de sistemas agentic.
• Alineación de stakeholders y adopción organizacional.
• Escalamiento de la colaboración entre humanos y agentes.
• Alcance de agentes, roles organizacionales y límites de contexto compartido.
• Confianza, gobernanza, cumplimiento y accountability.
• Diseño de escalamiento, supervisión y privacidad.
• El futuro de los equipos humano-agente.

¿Necesito saber programar para aprovecharlo? Sí ayuda mucho. Está pensado para perfiles técnicos que quieren construir agentes reales, no solo entender conceptos.

¿Sirve si ya uso ChatGPT o Claude? Sí. Te lleva de usar chats a diseñar sistemas con herramientas, memoria, evaluación y despliegue.

¿Es para principiantes o perfiles técnicos? Es más útil para desarrolladores, ML engineers, data scientists, CTOs y builders con base técnica.

¿Incluye ejemplos de código? Sí. Incluye ejemplos prácticos y decisiones de implementación para pasar de idea a sistema funcional.

¿Habla de LangChain, LangGraph, AutoGen, CrewAI u OpenAI Agents SDK? Sí. Revisa frameworks clave como LangGraph, AutoGen, CrewAI y OpenAI Agents SDK.

¿Me ayuda a construir agentes para empresas? Sí. Se enfoca en diseño, confiabilidad, medición, seguridad y producción para casos reales de negocio.

¿Explica sistemas multiagente de forma práctica? Sí. Cubre coordinación, jerarquías, comunicación, swarms y cuándo realmente conviene usar varios agentes.

¿Cubre memoria, RAG y GraphRAG? Sí. Explica memoria semántica, vector stores, RAG, GraphRAG y gestión de contexto.

¿Habla de evaluación y métricas? Sí. Enseña a medir herramientas, planificación, memoria, aprendizaje y desempeño end-to-end.

¿Incluye monitoreo en producción? Sí. Cubre observabilidad, alertas, trazas, shadow mode, canary deployments y feedback de usuarios.

¿Sirve para startups en LATAM? Sí. Es ideal para crear soluciones con IA útiles, vendibles y adaptadas a mercados poco atendidos.

¿Es útil para automatización de procesos? Sí. Ayuda a diseñar agentes que usan herramientas, recuerdan contexto y ejecutan flujos complejos.

¿Me ayuda a reducir costos de IA? Sí. Enseña trade-offs de modelos, arquitectura, velocidad, precisión y costo para evitar gasto inútil.

¿Habla de seguridad y riesgos? Sí. Incluye amenazas, red teaming, privacidad, protección de datos y fallos internos de agentes.

¿Es vigente con lo rápido que cambia la IA? Sí. Enseña principios, patrones y criterio de arquitectura, no solo trucos que caducan rápido.

¿Puedo aplicarlo aunque no trabaje en Big Tech? Sí. Justo sirve para llevar criterio de producción a startups, consultoras y equipos técnicos reales.

¿Qué lo hace diferente de ver tutoriales gratis? Te da mapa completo, secuencia y criterio. Menos ruido, más arquitectura, medición y producción.