GuíaIntermedio

Construir con LLMs desde Código

Integra un LLM en un producto real desde código, no desde un notebook de experimentación. Esta guía trabaja directo contra el SDK del proveedor —a propósito, para que entiendas qué abstrae un framework antes de adoptarlo— a lo largo de ocho módulos: tratar al LLM como una dependencia más de tu software (no determinista, cobrada por token), construir tu primera integración seria con un cliente propio, mantener los prompts como código versionado, obtener salidas estructuradas y validadas en vez de parsear texto libre, dar herramientas al modelo con tool calling controlado por tu código, exponer respuestas en streaming, endurecer la integración contra fallas reales de un proveedor, y evaluar y lanzar con una suite de evals que te dice si un cambio mejoró o empeoró el sistema. El proyecto final es un servicio de triage de tickets de soporte listo para producción: clasificación validada con Pydantic, respuesta en streaming, herramientas reales, reintentos, caché, control de costo y evals corriendo en CI.

64
lecciones
8
módulos
Inglés · Español
disponible en
Incluido en el Club
acceso
Inicia sesión para empezar
NIEVA

Resultados

Lo que vas a poder hacer

  • Decidir con criterio cuándo un problema se resuelve con un LLM y cuándo con código convencional, calculando el costo de una llamada antes de escribirla y midiendo su latencia real después
  • Construir un cliente LLM propio y reutilizable, con manejo correcto de secretos, conversaciones multi-turno y control de la ventana de contexto
  • Mantener tus prompts como artefactos versionados y probados, separados de los datos del usuario, evitando los antipatrones que rompen integraciones
  • Obtener del modelo objetos que cumplen un schema definido, validados con Pydantic, en vez de parsear texto libre con expresiones regulares
  • Definir herramientas (tools) con schema y ejecutar el ciclo completo de llamada-ejecución-respuesta con validación y límites de seguridad, sin que se convierta en un agente autónomo
  • Exponer una respuesta de LLM en streaming desde tu propia API con Server-Sent Events, manejando cancelación y timeouts
  • Endurecer una integración para producción: reintentos con backoff exponencial, idempotencia, timeouts, fallbacks y caché de respuestas
  • Medir y presupuestar el costo por token, por función y por usuario, y poner límites duros de gasto
  • Construir una suite de evals —verificaciones deterministas más LLM-as-judge— que corre en CI y te dice si un cambio de prompt o de modelo mejoró o empeoró el sistema

Antes de empezar

Qué necesitas traer

Es para ti si...

  • Devs backend o fullstack que necesitan integrar un LLM en un producto real, no solo experimentar en un notebook
  • Equipos que ya tienen una integración de LLM en producción y quieren endurecerla —reintentos, costo, evals— antes de que falle con usuarios reales
  • Devs que prefieren trabajar directo contra el SDK del proveedor y quieren entender qué abstrae un framework antes de adoptarlo
  • Cualquiera que necesite decidir con datos si un problema amerita un LLM o si un regex o una consulta SQL resuelve mejor

Requisitos y materiales

  • Python intermedio: funciones, clases, manejo de excepciones, entornos virtuales, `pip`
  • Fundamentos de HTTP y APIs REST, y haber construido o consumido al menos una API con FastAPI o equivalente
  • Una llave de API de un proveedor (Anthropic u OpenAI) con saldo mínimo; el costo total de la guía ronda unos pocos dólares

Contenido

El temario, módulo por módulo

Abre cualquiera para ver sus lecciones.

  • 1. Introducción: construir con IA, no solo usarla
  • 2. Qué es un LLM para un desarrollador
  • 3. Tokens: la unidad de trabajo y de cobro
  • 4. El contrato de la API: mensajes, roles y respuesta
  • 5. No determinismo: por qué tus pruebas van a doler
  • 6. Cuándo un LLM es la herramienta equivocada
  • 7. Proveedores: elegir uno sin casarte con él
  • 8. Proyecto: tu primera llamada, medida

  • 1. Introducción: del script suelto al cliente reutilizable
  • 2. Instalación, llaves de API y manejo de secretos
  • 3. Anatomía de una llamada: system, mensajes y respuesta
  • 4. Los parámetros que sí importan
  • 5. Conversaciones multi-turno: conservar el historial
  • 6. Ventana de contexto: qué cabe y qué hacer cuando no cabe
  • 7. Envolver el SDK detrás de tu propia interfaz
  • 8. Proyecto: módulo `llm_client` reutilizable

  • 1. Introducción: el prompt es parte de tu código fuente
  • 2. Anatomía de un prompt de producción
  • 3. Ejemplos en el prompt: cuándo ayudan y cuándo estorban
  • 4. Plantillas: separar la instrucción de los datos
  • 5. Versionar y revisar prompts
  • 6. Datos del usuario y delimitadores: la primera defensa
  • 7. Antipatrones que rompen integraciones
  • 8. Proyecto: catálogo de prompts versionado

  • 1. Introducción: el modelo devuelve datos, no párrafos
  • 2. Por qué parsear texto libre es deuda técnica
  • 3. Pedir JSON en serio: modo JSON y schemas
  • 4. Pydantic como contrato entre el modelo y tu código
  • 5. Validación y recuperación cuando la salida llega mal
  • 6. Enums y clasificación: acotar el espacio de respuestas
  • 7. Extracción de datos en la práctica
  • 8. Proyecto: extractor de datos con validación estricta

  • 1. Introducción: qué es y qué no es tool calling
  • 2. Definir una herramienta: nombre, descripción y parámetros
  • 3. El ciclo completo: el modelo pide, tú ejecutas, tú respondes
  • 4. Ejecutar herramientas de forma segura
  • 5. Varias herramientas: cómo elige el modelo y cómo lo guías
  • 6. Cuando el modelo se equivoca de herramienta o de argumentos
  • 7. Herramienta o código directo: dónde poner la decisión
  • 8. Proyecto: asistente con tres herramientas reales

  • 1. Introducción: la latencia es un problema de producto
  • 2. Cómo funciona el streaming por dentro
  • 3. Consumir un stream desde Python
  • 4. Exponer streaming desde tu propia API
  • 5. Streaming con herramientas y salidas estructuradas
  • 6. Cancelación, timeouts y usuarios que se van
  • 7. Patrones de UX para la latencia del modelo
  • 8. Proyecto: endpoint de chat con streaming

  • 1. Introducción: lo que se rompe cuando hay usuarios reales
  • 2. Catálogo de fallas de una API de LLM
  • 3. Reintentos con backoff exponencial y jitter
  • 4. Idempotencia: no pagar ni actuar dos veces
  • 5. Timeouts, fallbacks y degradación elegante
  • 6. Caché: qué se puede reutilizar y cuánto ahorra
  • 7. Costo por token en la práctica: medir, presupuestar, limitar
  • 8. Proyecto: endurecer tu cliente LLM

  • 1. Introducción: no puedes lanzar lo que no sabes medir
  • 2. Por qué el QA tradicional se rompe con LLMs
  • 3. Construir un dataset de evaluación que sirva
  • 4. Evals deterministas: lo que sí se puede afirmar
  • 5. LLM como juez: lo básico y sus límites
  • 6. Logging, trazas y privacidad
  • 7. Seguridad mínima de una funcionalidad con LLM
  • 8. Proyecto final: servicio con LLM listo para producción

Dónde encaja

Esta guía es parte de algo más grande

Se estudia dentro de estos programas, con acompañamiento y fechas.

Python Mini-Bootcamp [June 2026]Gratis

Dudas frecuentes

Lo que suele preguntarse

Empieza cuando quieras

Inicia sesión para empezar
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!