Para ingenieros de software senior y arquitectos que ya construyen con grandes modelos de lenguaje y chocaron con el techo del prompt: pusiste un RAG vectorial en producción y lo viste sufrir cuando la pregunta cruzaba tres documentos, o armaste un agente que va precioso tres pasos y luego olvida por qué empezó. También para quien decide la arquitectura de IA de su organización.

Habilidades:

Diseñar, anclar, orquestar y evaluar agentes con arquitectura de grafos

Nivel: Avanzado

Requisitos:

• Python, APIs de modelos de lenguaje y RAG a nivel práctico
• SQL u otro lenguaje de consulta; los grafos se enseñan desde cero

Anthony Alcaraz es estratega principal de IA y aprendizaje automático en AWS, reconocido por su trabajo en ciencia de la decisión, grandes modelos de lenguaje, grafos de conocimiento y RAG. Escribe para una audiencia de más de 38.000 lectores en Medium, donde publica con regularidad sus análisis sobre IA y sistemas de conocimiento, y recientemente dio clase en Oxford sobre cómo integrar modelos de lenguaje con teoría de grafos para resolver problemas de negocio modernos.

Sam Julien es líder de producto especializado en plataformas de IA para desarrolladores. Es director de producto en CopilotKit, donde trabaja en convertir la interacción entre agentes y usuarios en agentes que aprenden solos. Antes fue gerente de producto principal de la plataforma de TI y desarrolladores de WRITER. Ha dado charlas en conferencias de todo el mundo, entre ellas The AI Conference y la AI Engineer World’s Fair.

Los dos escriben desde los primeros años de la era agéntica del software, llevando sistemas a entornos donde lo que estaba en juego era más que una demostración. Este libro es el patrón que vieron repetirse ahí.

Parte I — Fundamentos (capítulos 1 y 2). Por qué el enfoque actual choca contra un muro, y cuál es la arquitectura que lo rodea.

• Qué es un agente de verdad: el espectro flujo de trabajo–agente y el triángulo de restricciones que define hasta dónde puede llegar
• Dónde acierta y dónde se rompe el RAG vectorial, y por qué una ventana de contexto más grande no lo arregla
• Las cinco grietas: amnesia de contexto, ceguera a las relaciones, ignorancia temporal, parálisis de razonamiento y caos de herramientas
• La arquitectura de grafo doble: un grafo vertical con lo que el agente sabe y uno horizontal con lo que el agente hace — y dónde se encuentran los dos
• Los ocho pilares que sostienen la arquitectura en producción, y el agente autónomo de DevOps que los recorre todos

Parte II — Preparación: el gemelo digital de tu pila tecnológica (capítulos 3 y 4). El cerebro y la memoria del agente.

• Modelos de datos de grafo y cómo evaluarlos: razonamiento formal, relaciones n-arias, rendimiento y mundo abierto frente a mundo cerrado para la seguridad del agente
• La arquitectura de tres grafos —dominio, léxico y temático— y cuatro patrones de esquema listos para aplicar
• Construir o comprar un sistema GraphRAG, con los factores que de verdad deciden
• Fusionar la ontología que tu organización ya tiene sin perder la cabeza, y resolución de entidades basada en evidencia
• Extracción del grafo desde bases estructuradas, texto libre y sistemas multiagente
• Memoria en grafo: episódica, semántica y procedimental, con conciencia temporal y sus cuatro operaciones — consolidar, indexar, actualizar y recuperar
• Los sistemas reales comparados: Letta (MemGPT), A-Mem, Graphiti, Cognee, Mem0 y Zep

Parte III — Acción: de apagar incendios a la anticipación (capítulos 5 y 6). Aquí el agente empieza a trabajar.

• El efecto distractor y cómo lo frenan PathRAG y R3-RAG
• Pensamiento intercalado y generación estructurada, que es lo que vuelve aburrido y confiable el traspaso entre un modelo probabilístico y una API determinista
• Arquitecturas de pipeline —secuencial, bucle y árbol— y orquestación dirigida por eventos para escalar
• Planificación jerárquica, guiada por restricciones y construcción dinámica de DAG, con el debate multiagente para reconciliar lo que corre en paralelo
• MCP a fondo: autenticación, agentes usados como herramientas y el patrón de puerta de enlace contra la inflación del prompt
• Herramientas como nodos del grafo, con dependencias, coincidencia de tipos y control del flujo de información

Parte IV — Producción: un sistema que se repara solo (capítulos 7 y 8). Lo que hace falta para confiarle trabajo de verdad.

• El grafo de ejecución —la autobiografía del agente— y un marco de evaluación por capas para hacerle la autopsia cognitiva
• Retropropagación semántica: mandar la corrección al nodo de razonamiento exacto que falló, en vez de reescribir el prompt entero
• Evolución segura en producción: validación graduada y autoaprendizaje persistente sin colapso por entropía
• Inteligencia selectiva: modelos pequeños y baratos para lo rutinario, los caros reservados para las decisiones que pesan
• Gobernanza de datos: control de acceso por subgrafo, datos personales, retención y el grafo de ejecución como artefacto de cumplimiento
• Evolución del esquema, actualizaciones incrementales y aceleración por GPU para que recorrer el grafo sea viable en tiempo real

¿Para quién es este libro? Para ingenieros senior y arquitectos que ya construyen con modelos de lenguaje y chocaron con el techo del prompt.

¿Qué necesito saber antes de empezar? Python, APIs de modelos, RAG a nivel práctico y algún lenguaje de consulta. Los grafos se enseñan desde cero.

¿Necesito experiencia en bases de datos de grafos? No. El libro levanta esa base desde cero, siempre con un problema concreto antes que la teoría.

¿Cuáles son las cinco grietas? Amnesia de contexto, ceguera a las relaciones, ignorancia temporal, parálisis de razonamiento y caos de herramientas.

¿No lo resuelve una ventana de contexto más grande? No, y el capítulo 1 explica por qué: el problema es la estructura, no el tamaño.

¿Qué es la arquitectura de grafo doble? Un grafo vertical con lo que el agente sabe y uno horizontal con lo que el agente hace.

¿Sirve si ya tengo un RAG vectorial funcionando? Sí. Justo empieza ahí: qué se rompe en cuanto una pregunta cruza tres documentos.

¿Hay un ejemplo que atraviese el libro? Sí: un agente autónomo de DevOps que crece capítulo a capítulo hasta anticipar caídas.

¿Construyo mi propio GraphRAG o compro uno? El capítulo 3 le dedica una sección entera, con los factores que de verdad deciden.

¿Qué es la retropropagación semántica? Mandar la corrección al nodo de razonamiento exacto que falló, en vez de reescribir todo el prompt.

¿Cubre memoria de agentes? El capítulo 4 entero: memoria episódica, semántica y procedimental, con patrones temporales.

¿Compara herramientas que existan hoy? Sí: Letta, Cognee, Mem0, Zep y Graphiti, con criterios para elegir entre ellas.

¿Habla de MCP? El capítulo 6: autenticación, el patrón de puerta de enlace y los agentes usados como herramientas.

¿Cómo controlo el costo en producción? Con inteligencia selectiva: modelos pequeños para lo rutinario y los caros solo donde la decisión pesa.

¿Cómo sé si mi agente está mejorando? Con el grafo de ejecución y un marco de evaluación por capas. De eso va el capítulo 7.

¿Trae gobernanza y control de acceso? Sí: acceso por subgrafo, datos personales, retención y el grafo como artefacto de cumplimiento.

¿En qué formato lo recibo? En EPUB, PDF y DOCX en español, más el original en inglés y un cuaderno de estudio con audioresumen.