Cursos en esta ruta
Guía de Pensamiento de Producto para Ingenieros
Saca al ingeniero del modo "ejecuto tickets" y lo pone a pensar como producto: dejar de medir el trabajo por outputs (features enviadas) y empezar a medirlo por outcomes (métricas que se movieron). Esta guía es el cimiento del ecosistema Product Engineering: cubre el build trap (equipos que construyen mucho y mueven poco), la cadena de valor (cómo una línea de código llega a valor para el usuario y para el negocio), priorización con criterio (RICE e ICE), dimensionamiento de oportunidades antes de construir, el MVP correcto (el experimento más pequeño que prueba la apuesta, no "la v1 con menos features"), tratar cada decisión de producto como una apuesta bajo incertidumbre con su suposición más riesgosa, y decir que no con el roadmap ordenado por costo de demora (WSJF). Todo el razonamiento cuantitativo de los frameworks —RICE, opportunity sizing, WSJF— se ejecuta con datos literales en Node.js, sobre el mismo caso: el backlog trimestral de Mercado, el marketplace. Cierra con un proyecto capstone donde el alumno arma el roadmap real del trimestre de Mercado con todo lo aprendido.
64 lecciones
Guía de Descubrimiento y Prototipado
Enseña a validar una apuesta con usuarios reales antes de construirla. Construir es la forma más cara de aprender; esta guía compra evidencia barata sobre las suposiciones riesgosas antes de gastar semanas de ingeniería. Cubre el descubrimiento continuo (discovery) como hábito, no como fase única; entrevistas que no mienten —preguntar por comportamiento pasado, no por intenciones futuras, con el enfoque del Mom Test—; el opportunity solution tree para mapear el problema antes de saltar a una solución; cómo convertir una suposición en una hipótesis falsable y diseñar el test más barato que la puede refutar (riskiest assumption test); prototipado al nivel de fidelidad justo —paper, clickable, wizard-of-oz, fake door—; cómo evitar el sesgo de confirmación y la brecha say-do; y cómo sintetizar los hallazgos para decidir seguir, pivotar o matar la apuesta. Continúa directamente donde cerró la guía de Pensamiento de Producto: la apuesta `recommendations` de Mercado, con su suposición más riesgosa ya identificada pero sin probar. Toda la lógica de decisión (qué test elegir, cómo pesar la evidencia, cómo actualizar la confianza) se ejecuta en Node.js. Cierra con un proyecto capstone que valida esa apuesta de punta a punta.
64 lecciones
Guía de Métricas de Producto y Experimentación
Enseña a medir si una apuesta funcionó, con rigor: la parte cuantitativa del producto. Cubre qué medir (North Star, métricas accionables vs. de vanidad, los frameworks HEART de Google y AARRR/pirate de McClure), cómo leer un funnel (conversión y fugas por paso), cómo medir retención por cohortes sin que un promedio agregado mienta, cómo proteger una métrica con guardrails, y —el corazón de la guía— cómo experimentar con A/B tests correctamente: la hipótesis, la aleatorización, el lift, la significancia estadística (p-value e intervalo de confianza con un z-test de proporciones real), el tamaño de muestra (MDE, poder estadístico), y las trampas que invalidan un resultado que parece bueno (peeking, comparaciones múltiples, la paradoja de Simpson, el efecto novedad). Continúa donde cerró la guía de Descubrimiento: la apuesta `recommendations` de Mercado, ya validada con una señal cualitativa (fake door), se lanza ahora como experimento controlado (`control` vs. `variant`) y se mide con estadística real, implementada y verificada en Node.js. Cierra con un proyecto capstone que mide el lanzamiento completo y decide enviar, revertir o iterar.
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 Lanzamiento e Iteración de Productos
Enseña que "ganó el A/B" no es "préndelo para todos": lanzar un cambio de producto es su propia decisión de riesgo, con reversa. Cierra el ecosistema Product Engineering cubriendo feature flags (desacoplar deploy de release, kill switches para apagar al instante sin re-deploy), rollout gradual (canary 1% → 10% → 50% → 100%, con radio de impacto controlado en cada etapa), monitoreo del lanzamiento (vigilar los guardrails de producto durante la subida, y frenar si se rompen), rollback e incident response (revertir vs. arreglar hacia adelante, el runbook, incidentes sin buscar culpables), postmortems blameless y el loop ship → measure → learn, y la capa moderna de enviar IA de forma segura (migrar modelos con shadow mode y canary, privacidad de datos práctica al lanzar). Retoma exactamente donde cerró la guía de Métricas: la apuesta `recommendations` de Mercado ganó el experimento con significancia estadística real, pero rompió el guardrail de latencia. Toda la lógica de decisión del lanzamiento (avanzar, frenar, revertir) se ejecuta en Node.js. Cierra con un proyecto capstone que lanza esa apuesta completa y cierra todo el arco del ecosistema.
64 lecciones
Guía de Estrategia de Producto para Ingenieros
Sube al ingeniero de la pregunta táctica ("¿qué feature construyo?") a la pregunta estratégica ("¿qué juego jugamos y cómo ganamos?"). Cubre la visión y la misión (a dónde va el producto y por qué, y cómo una visión clara restringe qué se construye), el segmento objetivo y el posicionamiento (para quién es esto, y para quién no), la diferenciación y la propuesta de valor (qué separa a un producto de la paridad, la "mesa de apuestas" de features copiables), el análisis de competencia y mercado (competidores directos, indirectos, sustitutos, y hacia dónde va el terreno de juego), los moats y la defensibilidad (ventajas durables —network effects, switching costs, datos, escala— frente a una feature que se copia en un fin de semana), y cómo la estrategia baja al roadmap como un filtro que corre antes de RICE, sacando del juego a apuestas con buen puntaje pero que no sirven a la estrategia. Se apoya sobre la guía de Pensamiento de Producto —la estrategia elige el juego; el pensamiento de producto lo juega— y usa el mismo caso, Mercado, para definir su estrategia completa y aplicarla como filtro sobre su backlog real. Toda la lógica de evaluación se ejecuta en Node.js. Cierra con un proyecto capstone que define la estrategia de Mercado de punta a punta.
64 lecciones
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
Guía para Trabajar con Agentes de Código
Aprende a dirigir agentes de código como oficio profesional, no como improvisación. Esta guía cubre las seis piezas que separan el uso amateur del profesional: el oficio de dirigir en vez de escribir directamente, el desarrollo dirigido por especificación (spec-driven), la ingeniería del harness —el entorno, el contexto y los permisos que dejas listos para que el agente se verifique solo—, la verificación y revisión de lo que el agente genera, el presupuesto y control de costo en tokens y tiempo, y el gobierno del código asistido por IA dentro de un equipo. Al terminar sabes escribir especificaciones ejecutables, preparar un repositorio "agent-ready", revisar —no aceptar— lo que un agente produce, controlar cuánto gastas en tokens y en atención humana, y redactar el playbook que gobierna cómo tu equipo trabaja con agentes.
48 lecciones
El Panorama de Herramientas de AI Coding
Navega el ecosistema completo de herramientas AI para código con confianza. Evalúa Cursor (modes, rules, Cloud Agents), GitHub Copilot (Agent Mode, CLI agents, AGENTS.md), Cline (open-source, ACP), Windsurf (Cascade), y OpenAI Codex CLI. Construye un decision matrix personal para evaluar herramientas objetivamente, desarrolla una estrategia multi-herramienta con Claude Code como principal, y domina AGENTS.md — el estándar emergente adoptado por 60,000+ repos. 6 módulos progresivos desde la evaluación de herramientas hasta un toolkit personal configurado y documentado.
36 lecciones
Guía de Seguridad en Código Generado por IA
El 45% del código generado por AI tiene fallas de seguridad (Veracode 2025). Java: 72% failure rate. JavaScript: 43%. Python: 38%. XSS: 86% del código AI falla en protección adecuada. Y los modelos más grandes NO generan código más seguro. Esta guía te enseña a detectar, prevenir y corregir vulnerabilidades en código producido por cualquier herramienta AI. OWASP Top 10 aplicado a código AI, patrones de vulnerabilidad desglosados por lenguaje, herramientas de detección automática (static analysis, dependency scanning, secrets detection), checklist de security review para todo output AI, técnicas de hardening (sanitización, validación, encoding), y secrets management — qué nunca pasarle al agente. 6 módulos, 3 phases, y un proyecto de security audit completo que produce un reporte profesional. Guía 100% reutilizable — aplica a cualquier herramienta AI, no solo a Claude Code.
32 lecciones
Guía de Optimización de Costos y Caché
Domina la reducción de costos en sistemas AI: entiende los drivers de costo (tokens, llamadas API, embeddings), implementa Redis caching y semantic caching (queries similares = respuestas cacheadas usando embeddings), aplica optimización de prompts y estrategias de selección de modelos, y construye un sistema que logra 50-80% de reducción de costos con números reales. La única guía en español que cubre semantic caching con hands-on.
64 lecciones
Guía de Inglés Técnico y Empleabilidad
Aprende a trabajar y postularte en inglés: lee documentación sin traducir, escribe PRs, bug reports y documentos de diseño en inglés llano, sostén un standup y una demo en voz alta, y ejecuta una búsqueda de empleo con criterio de mercado. Los siete módulos parten de tu objetivo real —el puesto, el mercado y la brecha de inglés que te separan de él— y avanzan por los fundamentos de leer y escuchar inglés técnico, la comunicación escrita asíncrona (chat, issues, PRs, commits), la escritura de documentos técnicos en lenguaje llano (design docs, ADRs, READMEs, postmortems), el inglés técnico hablado (standups, reuniones, pair programming, demos), tus materiales profesionales (CV apto para ATS, LinkedIn, portafolio) y el proceso de contratación completo. El proyecto final es el Employability Kit: un dossier acumulativo y defendible en entrevista, con la ficha de objetivo, el portafolio con design doc y ADR, el paquete de comunicación asíncrona, el CV adaptado y tres grabaciones en inglés sin guion —pitch, demo y simulacro de entrevista.
56 lecciones