Agentic AI: Developing AI Agents Course

Clase 1 • Taxonomías y Clasificaciones de Agentes

Releva agentes de reflejo simple, basados en modelos, basados en objetivos, basados en utilidad y de aprendizaje. Permite a los estudiantes seleccionar la clase de agente adecuada para un problema dado.

Clase 2 • Modelos de Lenguaje de Gran Escala como Base de Agentes

Explica cómo los LLM funcionan como motores de razonamiento dentro de los pipelines agénticos, y sus capacidades y limitaciones principales. Conecta los fundamentos de los LLM con las decisiones de diseño de agentes.

Clase 3 • IA Agéntica vs. Automatización Tradicional

Contrasta la automatización basada en reglas, RPA y la IA agéntica en cuanto a flexibilidad, adaptabilidad y modos de falla. Clarifica cuándo los enfoques agénticos agregan valor genuino.

Clase 4 • Qué Hace que la IA Sea Agéntica

Define la agencia en los sistemas de IA contrastando modelos reactivos con comportamiento autónomo y dirigido a objetivos. Fundamenta el vocabulario técnico del capítulo en distinciones conductuales concretas.

Clase 1 • Autorreflexión y Revisión de Planes

Explora bucles de tipo reflexión donde los agentes critican y revisan sus propias salidas de forma iterativa. Prepara a los estudiantes para construir agentes que mejoren su rendimiento sin intervención humana.

Clase 2 • Algoritmos de Planificación para Agentes

Releva planificación clásica, búsqueda de árbol de pensamiento y enfoques heurísticos aplicables a agentes basados en LLM. Prepara a los estudiantes para elegir estrategias de planificación adecuadas a la complejidad de la tarea.

Clase 3 • Razonamiento de Cadena de Pensamiento

Introduce la elicitación de razonamiento paso a paso a través de prompts y su efecto en la calidad de decisión del agente. Establece la técnica de razonamiento base que se extiende en secciones posteriores.

Clase 4 • Estrategias de Descomposición de Tareas

Enseña la descomposición jerárquica y secuencial de objetivos complejos en subtareas ejecutables. Permite directamente que los agentes manejen objetivos de largo horizonte presentados en capítulos posteriores.

Clase 1 • Fundamentos del Uso de Herramientas

Define qué constituye una herramienta en un contexto agéntico y cómo los agentes seleccionan e invocan herramientas mediante llamada a funciones. Establece el modelo de integración utilizado a lo largo del capítulo.

Clase 2 • Construir una Librería de Herramientas Personalizada

Guía a los estudiantes en el diseño, documentación y registro de herramientas reutilizables para frameworks de agentes. Produce una librería de herramientas portable aplicable a proyectos en capítulos subsiguientes.

Clase 3 • Herramientas de Búsqueda y Recuperación de Conocimiento

Integra búsqueda web y recuperación de documentos en pipelines de agentes para fundamentar las respuestas en información actual. Conecta el uso de herramientas con los conceptos de recuperación ampliados en el Capítulo 5.

Clase 4 • Conectar Agentes a APIs

Cubre la integración de API REST, patrones de autenticación y manejo de errores dentro de los bucles de herramientas del agente. Permite a los estudiantes extender agentes con cualquier servicio accesible vía web.

Clase 1 • Tipos de Memoria del Agente

Distingue memoria en contexto, externa, episódica y semántica, y sus ventajas y desventajas en el diseño de agentes. Proporciona la taxonomía aplicada en todas las secciones de memoria subsiguientes.

Clase 2 • Bases de Datos Vectoriales para Memoria del Agente

Cubre el almacenamiento basado en embeddings y la búsqueda por similitud como una solución escalable de memoria a largo plazo para agentes. Se conecta con los patrones de generación aumentada por recuperación presentados en el Capítulo 5.

Clase 3 • Gestión de la Ventana de Contexto

Aborda estrategias para ajustar la información pertinente dentro de ventanas de contexto finitas sin perder estado crítico. Impacta directamente en la confiabilidad del agente en tareas de larga duración.

Clase 4 • Consistencia de la Memoria y Resolución de Conflictos

Aborda las contradicciones entre fuentes de memoria y las estrategias para mantener un modelo del mundo coherente del agente. Prepara a los estudiantes para construir agentes confiables en entornos dinámicos.

Clase 1 • Estrategias Avanzadas de Recuperación

Cubre búsqueda híbrida, re-ranking, HyDE y recuperación multi-consulta para mejorar la exhaustividad y la precisión. Mejora directamente la calidad de respuesta del agente en tareas de conocimiento complejas.

Clase 2 • Evaluación de la Calidad del Pipeline RAG

Aplica métricas de fidelidad, pertinencia y exhaustividad del contexto para evaluar y mejorar el rendimiento de RAG. Cierra el capítulo con un flujo de trabajo sistemático de aseguramiento de la calidad.

Clase 3 • Patrones RAG Agénticos

Presenta patrones RAG iterativos, de auto-consulta y correctivos donde los agentes deciden cuándo y cómo recuperar. Extiende el RAG básico hacia flujos de trabajo de recuperación dinámicos impulsados por el agente.

Clase 4 • Fundamentos de Arquitectura RAG

Explica el pipeline de recuperar-luego-generar, sus componentes y cómo se integra con los bucles de razonamiento del agente. Establece la línea base arquitectónica para el capítulo.

Clase 1 • Resolución de Conflictos y Consenso

Aborda los desacuerdos entre agentes mediante estrategias de votación, arbitraje y fusión ponderada por confianza. Produce salidas multi-agente robustas incluso ante el desacuerdo entre agentes.

Clase 2 • Patrones de Arquitectura Multi-Agente

Releva topologías multi-agente jerárquicas, de igual a igual y basadas en mercado, y su adecuación para diferentes tareas. Proporciona el vocabulario estructural para el capítulo.

Clase 3 • Diseño de Orquestador y Subagentes

Define el rol del orquestador en el enrutamiento de tareas, la delegación y la agregación de resultados entre subagentes especializados. Enseña la división de responsabilidad central para sistemas multi-agente escalables.

Clase 4 • Frameworks de Orquestación en la Práctica

Aplica frameworks de orquestación de código abierto líderes para construir y ejecutar un flujo de trabajo multi-agente de extremo a extremo. Traduce conceptos arquitectónicos en código funcional y pipelines desplegables.

Clase 1 • Inyección de Prompts y Entradas Adversarias

Explica cómo las entradas maliciosas pueden secuestrar el razonamiento y las acciones del agente, y cubre estrategias de detección y defensa. Protege directamente a los agentes desplegados en entornos abiertos o no confiables.

Clase 2 • Técnicas de Alineación para Agentes

Aplica conceptos de IA constitucional, RLHF y métodos de especificación de valores para mantener a los agentes alineados con los objetivos previstos. Conecta la teoría de alineación con la configuración práctica del agente.

Clase 3 • Marcos Éticos y Despliegue Responsable

Aplica principios de imparcialidad, transparencia y responsabilidad a las decisiones de diseño de agentes y políticas de despliegue. Prepara a los estudiantes para cumplir con las expectativas organizacionales y sociales de una IA responsable.

Clase 4 • Diseño con Humanos en el Bucle

Define puntos de control, compuertas de aprobación y rutas de escalamiento que mantienen a los humanos adecuadamente en control de las acciones del agente. Equilibra la autonomía con la responsabilidad en despliegues de producción.

Clase 1 • Estrategias de Pruebas para Sistemas Agénticos

Aplica pruebas unitarias, de integración, de simulación y adversarias para validar el comportamiento del agente antes y después del despliegue. Reduce incidentes en producción mediante la validación sistemática previa al lanzamiento.

Clase 2 • Observabilidad y Monitoreo

Implementa rastreo, registro y alertas para pipelines de agentes para detectar fallas y regresiones de rendimiento. Permite visibilidad continua del comportamiento del agente en producción.

Clase 3 • Arquitecturas de Despliegue de Agentes

Cubre patrones de contenerización, serverless y microservicios para alojar cargas de trabajo de agentes en producción. Establece la base de infraestructura para todos los temas de despliegue del capítulo.

Clase 4 • Mejora Continua e Iteración

Establece bucles de retroalimentación utilizando registros de producción, señales de usuarios y conjuntos de datos de evaluación para impulsar la mejora continua del agente. Cierra el curso con una práctica sostenible de gestión del ciclo de vida del agente.