Cursos en esta ruta
Guía de Cómo Funcionan los Agentes de Código
Entiende los fundamentos conceptuales y prácticos de cómo funcionan los agentes de código: desde la mecánica de los LLMs hasta el workflow que separa a los developers productivos de los que pierden tiempo con AI. No es una guía sobre construir agentes de producción —eso es AI Engineering—, es una guía sobre entender cómo piensan, actúan y fallan, para poder dirigirlos con criterio profesional con cualquier herramienta: Claude Code, Cursor, Copilot, Cline o cualquier agente futuro. Los siete módulos avanzan del cambio de paradigma en el desarrollo de software, a los LLMs explicados para developers (no para investigadores), al agentic loop y el tool calling que convierten a un modelo en un agente, al toolbox con el que un agente interactúa con tu código, a los mental models para dirigir la colaboración humano-agente, y al workflow Research → Plan → Execute → Validate. Cierra con un proyecto práctico: construir un mini coding agent desde cero para entender el loop agéntico desde adentro.
33 lecciones
Guía Esencial de Cursor
Aprende a dirigir Cursor con criterio en un repositorio real, no a conocer sus botones. Cursor es un fork de Visual Studio Code de Anysphere que pone la IA en el centro del editor —no como una extensión más—, y esta guía enseña el modelo mental "editor familiar + agente que actúa dentro del proyecto abierto" a través de ocho módulos, todos sobre un mismo caso: Reservo, un backend de reservas de salas de coworking. Vas de Tab (autocompletado predictivo) a Cmd-K (edición inline), a Agent mode y Plan mode (edición multi-archivo dirigida por una meta), al contexto que el agente usa antes de actuar (@-menciones y reglas de proyecto en `.cursor/rules`), a MCP dentro de Cursor como fuente de contexto externa, a la disciplina de revisión de diffs de producción, y cierras con un proyecto que encadena las siete superficies sobre una feature nueva y sin resolver. Cada afirmación sobre el comportamiento de Cursor está verificada contra `cursor.com/docs`; todo el código que se presenta como resultado se ejecuta de verdad con Python 3.14.
64 lecciones
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`), verificada contra la documentación oficial de Claude. No es un tutorial de ningún framework — los patrones que enseña son los mismos con cualquiera.
64 lecciones
Guía de MCP a Fondo
Es la continuación directa de la Guía de Fundamentos de Agentes y Tool Calling: toma las tools de Reservo ya construidas ahí (`get_quote`, `list_rooms`, `book_room`, `cancel_booking`) y las expone a través del Model Context Protocol (MCP), el estándar abierto que Anthropic publicó en noviembre de 2024 para resolver el problema de integración M×N (cada agente reimplementando su propio adaptador para cada herramienta) con una solución M+N (un servidor MCP se construye una vez y lo reutiliza cualquier cliente compatible). La guía construye un servidor y un cliente MCP de Reservo reales: el wire protocol —JSON-RPC 2.0 sobre stdio— implementado a mano con Python 3.14 y su librería estándar (`subprocess`, sin instalar el SDK oficial, $0, sin red), el handshake `initialize`/`initialized`, y los tres primitivos del protocolo: tools, resources y prompts. Cierra conectando el servidor a un `.mcp.json` real, como el que usaría Claude Code. Ancla su enseñanza a la revisión estable `2025-06-18` (la que está desplegada hoy en el ecosistema real) y nombra honestamente, sin reimplementarla, la revisión moderna stateless `2026-07-28` como el rumbo del protocolo. La decisión del LLM de qué tool/resource/prompt usar es concepto; el protocolo de cable se ejecuta de verdad y se verifica contra la especificación oficial.
64 lecciones
Guía de RAG de Producción e Ingesta de Documentos
Construye la plomería de datos de un RAG de producción sobre documentos reales de Reservo —trece documentos en tres formatos crudos: markdown, HTML y un `.txt` deliberadamente "sucio" que simula una extracción de PDF/OCR— y la conecta a un agente como una herramienta más. Cubre el pipeline completo de ingestión: parsear cada formato crudo, limpiar artefactos reales (headers repetidos, guionado roto, saltos de página), aplicar chunking con criterio y adjuntar los metadatos que hacen falta para citar la fuente después. Indexa esos chunks con un índice BM25 construido desde cero ($0, determinista, rotulado siempre como recuperación léxica real —el mismo algoritmo detrás de Elasticsearch/OpenSearch— y nunca como búsqueda semántica), y expone la búsqueda como la tool `search_docs(query, k)` que el agente invoca dentro de su propio bucle: recuperación agéntica, no un pipeline RAG monolítico de una sola pasada, con el agente decidiendo cuándo buscar y combinando la búsqueda con las tools de negocio de Reservo en el mismo turno. Cubre también la ingestión incremental e idempotente (reingestar documentos que cambian sin duplicar, detectando altas/modificaciones/bajas por hash de contenido), la evaluación de la calidad de recuperación con un set de queries de ground-truth fijo y métricas de forma —recall@k, precision@k, nunca un juez semántico—, y la operación del sistema: citar fuentes, manejar el caso de cero resultados sin alucinar, filtrar chunks irrelevantes y estimar el costo del pipeline. Toda la ingeniería se ejecuta de verdad con Python 3.14 y `numpy`; la decisión del LLM es concepto. No enseña la teoría de embeddings ni construye un vector database —eso queda nombrado como el paso siguiente de AI Engineering.
64 lecciones
Guía de Context Engineering
Trata la ventana de contexto de una llamada al modelo como lo que realmente es: un recurso finito que hay que presupuestar, no un lienzo para redactar el prompt perfecto. El caso conductor es el Asistente de Soporte de Reservo, un asistente de preguntas y respuestas (sin tools, sin loop) que responde dudas de miembros sobre cancelaciones, precios, specs de sala y membresía usando documentos ya recuperados por una función mock determinista — el retrieval real es terreno de otra guía. Con ese caso, la guía cubre el system prompt como componente versionado y auditable (nunca redacción libre), la estructura del payload (orden de bloques, delimitadores), la selección de contenido bajo un presupuesto fijo de tokens cuando hay más candidatos de los que caben, la compaction del historial (comprimir preservando lo esencial, en dos etapas), el few-shot tratado como una línea más del presupuesto, el context rot (más tokens de entrada degradan el desempeño, citando investigación real) con isolation como mitigación conceptual, y la medición de forma —nunca semántica— del efecto de cada cambio. Toda la ingeniería (contar, seleccionar, estructurar, comprimir, medir) se ejecuta de verdad con Python 3.14; la respuesta del modelo se trata honestamente como concepto. El conteo de tokens usa siempre una estimación de orden de magnitud (`len(text) // 4`), rotulada como tal, nunca un tokenizer real de terceros.
64 lecciones
Guía de Orquestación Multi-Agente
Es la continuación directa de la Guía de Fundamentos de Agentes y Tool Calling: toma el agente único de Reservo y lo convierte en un sistema de varios agentes especializados que colaboran — sin ningún framework de orquestación (LangGraph, CrewAI, AutoGen), construido a mano con Python 3.14 y su librería estándar. El Módulo 1 completo es un framework de decisión, medido de verdad —contando llamadas concepto al modelo y "hops" de mensaje—, sobre cuándo las sub-tareas son genuinamente separables con expertise distinto (multi-agente) y cuándo un solo agente con más tools ya alcanza; el criterio de aprobación no es "sé implementar el patrón" sino "sé decidir si hace falta". A partir de ahí cubre cinco patrones de coordinación, cada uno en su propio módulo ejecutado: supervisor/router, pipeline secuencial, fan-out paralelo con agregación cuyo resultado nunca depende del orden de finalización de los hilos, handoff/delegación a mitad de tarea, y estado compartido tipo blackboard. El caso conductor son tres especialistas de Reservo con tools genuinamente distintas —`booking_agent`, `policy_agent` (sobre un stub mínimo de búsqueda de políticas) y `pricing_agent`— coordinados por un supervisor. La orquestación en sí —el router, el paso de mensajes, el blackboard, el fan-out y su agregación— se ejecuta de verdad y se cita su salida real; la decisión de cada agente sigue siendo concepto, igual que en el resto del ecosistema. No cubre memoria persistente entre sesiones, el presupuesto fino de la ventana de contexto de cada agente, exponer tools por MCP, ni el endurecimiento de seguridad — todo eso queda nombrado, remitido a la guía hermana correspondiente.
64 lecciones
Guía de Memoria y Estado en Agentes
Le da a un agente de Reservo memoria que sobrevive al cierre de la sesión — y resuelve directamente el límite que dejó planteado la Guía de Fundamentos de Agentes y Tool Calling: ahí, Ana reservaba Focus pro y, en una sesión nueva, el agente no recordaba nada porque el historial vivía solo mientras el proceso vivía. Esta guía distingue esa memoria de trabajo (working/corto plazo, ya construida) de la memoria long-term/persistente, que es su tema central, y dentro de ella separa memoria episódica (qué pasó, eventos con fecha) de memoria semántica (hechos y preferencias estables), apoyándose en investigación real (Generative Agents, Park et al. 2023; MemGPT, Packer et al. 2023) como marco conceptual. Construye un store persistente de verdad con `sqlite3` (un archivo en disco, nunca `:memory:`), extrae hechos y episodios de una sesión ya corrida —nunca la transcripción cruda—, recupera memoria relevante por clave de usuario, por recencia y por coincidencia léxica de palabras clave (deliberadamente sin embeddings ni búsqueda semántica, que quedan nombrados como la opción de producción de otras guías), actualiza y expira hechos que cambian, y permite olvidar por completo a un miembro. La persistencia se demuestra entre procesos de Python genuinamente separados, no con una variable que se borra en el mismo proceso. Toda la ingeniería se ejecuta con Python 3.14 y su librería estándar; la llamada al LLM es concepto con ejemplos realistas.
64 lecciones
Guía de Frameworks de Evaluación
Domina la evaluación de sistemas de AI — desde métricas para chat, RAG y agents hasta LLM-as-judge, RAGAS, TruLens y pipelines de evaluación en producción. Esta guía te enseña a construir golden datasets, implementar evaluación específica por dominio para chatbots, pipelines RAG y agentes de AI, automatizar la evaluación con LLM judges calibrados, y deployar monitoring continuo con integración CI/CD y detección de regresiones. Para AI Engineers que ya construyen sistemas y necesitan saber si realmente funcionan bien.
64 lecciones
Guía de Seguridad y Sandboxing de Agentes
Aprende a hacer seguro un agente que toma acciones con herramientas (tools) reales sobre un sistema. Esta guía cubre el modelo de amenaza de un agente, la inyección de prompt directa e indirecta, el contrato de herramientas y el mínimo privilegio, el sandboxing de la ejecución de herramientas, los modelos de permiso y el human-in-the-loop, los guardrails de entrada y salida, y el manejo de secretos y el radio de explosión. El caso que acompaña toda la guía es un agente de Reservo (un backend de reservas de salas de coworking) con herramientas como `search_rooms`, `book_room` y `cancel_booking`. Sales sabiendo diseñar un agente que no puede ser manipulado para causar daño ni fugar datos, aunque el modelo o la entrada del usuario sean hostiles. Toda la ingeniería de seguridad —el validador de herramientas, el sandbox, la puerta de permisos, los guardrails, el log de auditoría y la demo de inyección con su defensa— se ejecuta de verdad con Python 3.14 (stdlib); la decisión del LLM se presenta como concepto, con ejemplos realistas.
64 lecciones
Guía de Agentes en Producción
Opera en producción el agente de Reservo que ya construyó la Guía de Fundamentos de Agentes y Tool Calling —su capstone (M8) es el punto de partida literal. Esta guía no construye un agente ni le enseña a manejar un error puntual (eso ya existe); lo instrumenta, lo mide y le pone un gate para que sobreviva al tráfico real. Cubre observabilidad con logging estructurado de cada paso del loop y un `trace_id` determinista que correlaciona un run de punta a punta; medir el costo por run con una estimación honesta de tokens (`len(text) // 4`) y el pricing de lista de `claude-sonnet-5`, citado; medir la latencia por tool y total con un modelo de latencia declarado explícitamente —nunca con el reloj real, con honestidad explícita sobre esa limitación—; un harness de evals de regresión de forma, determinista, como gate estilo CI antes de un cambio (nunca un juicio semántico ni LLM-as-judge); manejar fallos a escala con backoff modelado y un circuit breaker por tool que persiste entre runs, incluido el 429 de la propia API de Claude; y versionar el system prompt/tools/schemas con un rollout que compara la versión nueva contra la vieja bajo el mismo gate antes de decidir GO/NO-GO. Toda la ingeniería de operación se ejecuta de verdad con Python 3.14; la llamada al LLM sigue siendo concepto, como en el resto del ecosistema.
64 lecciones