GuíaBásico

Guía de Fundamentos de Agentes y Tool Calling

Es la base de todo el ecosistema de ingeniería agentic: enseña, desde cero, qué es un agente de IA y cómo funciona el tool calling. Construye un agente de Reservo (reservas de salas de coworking) con cuatro herramientas canónicas: `list_rooms`, `get_quote`, `book_room`, `cancel_booking`, y usa ese caso para desarmar la línea que separa un LLM que solo responde de un agente que actúa: el contrato de una tool en JSON Schema, el protocolo real `tool_use`/`tool_result` de la Messages API de Claude, el bucle (`while`) que pide-ejecuta-alimenta-repite con tope de iteraciones, la selección entre varias tools con tool calls en paralelo, el manejo de estado dentro del loop, y la robustez ante errores con reintentos y timeouts. La ingeniería (las tools, el runner del bucle, el despacho, los reintentos) se ejecuta de verdad con Python 3.14 y se cita salida real; la decisión del modelo se trata honestamente como concepto (ejemplos realistas con `claude-sonnet-5-5`), verificada contra la documentación oficial de Claude. No es un tutorial de ningún framework: los patrones que enseña son los mismos con cualquiera.

lecciones
64
módulos
8
disponible en
Inglés · Español
certificado
Sí
acceso
Gratis
Resultados

Lo que vas a poder hacer

  • Distinguir con precisión un LLM+prompt (función pura texto→texto) de un agente (un LLM con herramientas que toma acciones en un bucle)
  • Escribir el contrato completo de una tool: `name`, `description`, `input_schema` en JSON Schema (tipos, `required`, `enum`), y diseñar tools acotadas con una sola responsabilidad
  • Reproducir la forma exacta del protocolo de tool calling de la Messages API de Claude: el bloque `tool_use` (`id`, `name`, `input`) y el bloque `tool_result` (`tool_use_id`, `content`), verificados contra la documentación oficial
  • Reconocer el mismo protocolo en la Responses API de OpenAI y la Interactions API de Gemini, y saber qué garantiza `strict: true` en una tool (la forma del input) y qué no (tus reglas de negocio)
  • Construir el bucle del agente (`while`): pedir al modelo, ejecutar la tool si corresponde, alimentar el resultado de vuelta al historial, repetir hasta `end_turn`, con un tope de iteraciones que evita ciclos infinitos
  • Encadenar varias herramientas en una tarea de varios pasos (`list_rooms` → `get_quote` → `book_room`) usando la observación de un paso para decidir el siguiente
  • Declarar varias tools a la vez, desambiguar tools parecidas y ejecutar tool calls en paralelo con hilos reales, midiendo el costo de un set de tools demasiado grande
  • Anclar (grounding) la respuesta final del agente en lo que las tools realmente devolvieron, y detectar cuándo una respuesta no está anclada
  • Gestionar estado y contexto dentro del loop: el historial como memoria de trabajo, la ventana de contexto finita, resumir resultados largos y pasar datos (como un `booking_id`) de un paso a otro
  • Manejar errores de una tool: devolver el fallo como `tool_result` con `is_error`, validar argumentos, reintentar solo fallos transitorios con un tope, y aplicar timeouts con degradación elegante
  • Ensamblar el agente de Reservo completo integrando tools, protocolo, bucle, selección multi-herramienta, estado y robustez en un solo sistema que resuelve una tarea real de varios pasos
Antes de empezar

Qué necesitas traer

Es para ti si...

  • Devs que quieren entender qué es un agente de IA y el tool calling desde los fundamentos, sin depender de un framework
  • Backend developers que van a construir agentes sobre la API de Claude (o cualquier LLM con tool calling) y necesitan el modelo mental correcto antes de usar un SDK
  • Devs que ya usaron un framework de agentes (LangChain, etc.) y quieren entender qué pasa por debajo del contrato de tools y el bucle
  • Quien se prepara para el resto del ecosistema agentic: memoria, orquestación multi-agente, MCP, RAG, context engineering, y necesita esta base primero

Requisitos y materiales

  • Python básico: funciones, diccionarios, `if`/`else`, manejo de excepciones (`try`/`except`)
  • Haber usado alguna vez un asistente de IA (ChatGPT, Claude) como usuario, para la intuición de "prompt → respuesta"
  • Python 3.14 instalado con su librería estándar; no requiere API key ni conexión a internet: toda la ingeniería corre local
Contenido

El temario, módulo por módulo

Abre cualquiera para ver sus lecciones.

Bootcamps

Aprende con clases en vivo y revisión de tus entregas.

En grupo o 1 a 1, según tu horario.

Dudas frecuentes

Lo que suele preguntarse

Empieza cuando quieras

Reseñas

Lo que dicen los estudiantes

Estas reseñas son de estudiantes inscritos que completaron al menos el 50% del curso. Moderamos las reseñas solo por motivos de contenido (spam, lenguaje ofensivo, datos personales), nunca por ser críticas o negativas.

Aún no hay reseñas aprobadas.

¡Sé el primero en compartir tu experiencia!