Curso de Optimización de Python para IA Agéntica

Clase 1 • Patrones Orientados a Objetos para Agentes

Aplicá clases, herencia y composición para modelar componentes de agentes. Proporciona el vocabulario estructural que se usa a lo largo del curso.

Clase 2 • Configuración del Entorno de Python y Herramientas

Configurá entornos de Python reproducibles usando entornos virtuales y gestores de dependencias. Establece el espacio de trabajo consistente del que dependen todos los capítulos siguientes.

Clase 3 • Prácticas de Manejo de Errores y Logging

Implementá jerarquías de excepciones estructuradas y logging estructurado. Un manejo de errores fiable es fundamental para agentes autónomos de larga duración.

Clase 4 • Repaso de Estructuras de Datos Esenciales de Python

Repasá listas, diccionarios, conjuntos y tuplas con énfasis en las ventajas y desventajas de rendimiento. Apoya directamente la gestión eficiente del estado dentro de los agentes.

Clase 1 • Colas Asincrónicas y Agentes Productor-Consumidor

Usá colas de asyncio para desacoplar los agentes productores de los consumidores. Modela pipelines de agentes de múltiples pasos con control de contrapresión.

Clase 2 • Ejecución Sincrónica vs. Asincrónica

Contrastá los modelos de ejecución bloqueante y no bloqueante con benchmarks concretos. Establece la motivación para adoptar patrones asincrónicos en sistemas de agentes.

Clase 3 • Gestión de Tareas y Patrones Gather

Programá múltiples corrutinas con tareas de asyncio y gather. Permite a los agentes lanzar llamadas a herramientas en abanico y recolectar resultados de manera eficiente.

Clase 4 • Context Managers y Generadores Asincrónicos

Implementá context managers asincrónicos y generadores asincrónicos para streaming con recursos seguros. Soporta el streaming de respuestas de LLMs dentro de los bucles de agentes.

Clase 1 • Backends de Almacenamiento Persistente

Almacená la memoria del agente de forma persistente entre sesiones usando almacenes relacionales y de clave-valor. Permite agentes con estado que retoman el contexto después de reiniciarse.

Clase 2 • Estrategias de Optimización de la Ventana de Contexto

Comprimí, resumí y priorizá la memoria para ajustarse a los límites de contexto de los LLMs. Mejora directamente la coherencia del agente en tareas de larga duración.

Clase 3 • Taxonomía de la Memoria del Agente

Clasificá la memoria del agente en tipos de trabajo, episódica, semántica y procedimental. Proporciona el mapa conceptual para todas las decisiones de diseño de memoria del capítulo.

Clase 4 • Almacenes Vectoriales para Recuperación Semántica

Incrustá texto y consultá almacenes vectoriales para dar a los agentes memoria semántica a largo plazo. Conecta la generación aumentada por recuperación con los bucles de decisión del agente.

Clase 1 • Llamada a Funciones con APIs de LLMs

Pasá esquemas de herramientas a las APIs de LLMs y parseá las respuestas estructuradas de llamada a funciones. Cubre la brecha entre la salida del LLM y las funciones Python ejecutables.

Clase 2 • Principios de Diseño de Herramientas

Defini qué hace una buena herramienta para agentes: atomicidad, idempotencia y esquemas claros. Establece estándares de diseño aplicados a cada herramienta construida en el capítulo.

Clase 3 • Lógica de Reintentos y Recuperación ante Errores

Implementá backoff exponencial, circuit breakers y estrategias de fallback para herramientas. Asegura que los agentes sigan funcionando cuando los servicios externos se degradan.

Clase 4 • Ejecución de Herramientas en Entorno Aislado y Seguro

Ejecutá herramientas de generación de código en subprocesos o contenedores aislados. Mitiga los riesgos de seguridad derivados de la ejecución de código generado por agentes.

Clase 1 • Ingeniería de Prompts para Razonamiento

Crea prompts de sistema y de usuario que provoquen un razonamiento estructurado de cadena de pensamiento. Los prompts bien diseñados reducen la alucinación y mejoran la calidad del plan.

Clase 2 • Mecanismos de Autocorrección y Reflexión

Agrega pasos de reflexión donde los agentes critiquen y revisen sus propias salidas. Mejora la calidad de la respuesta final en tareas complejas y abiertas.

Clase 3 • Descomposición de Objetivos y Planificación de Tareas

Divide los objetivos de alto nivel en subtareas ordenadas usando planes generados por LLMs. Permite que los agentes aborden problemas de múltiples pasos más allá del razonamiento de un solo turno.

Clase 4 • Implementando el Bucle ReAct en Python

Programa un bucle ReAct completo con parseo de pensamiento, despacho de herramientas e inyección de observaciones. Traduce el paper de ReAct a Python ejecutable y testeable.

Clase 1 • Implementación del Agente Orquestador

Construye un orquestador que delegue subtareas a agentes especialistas y agregue resultados. Demuestra el patrón de coordinación central en sistemas multi-agente.

Clase 2 • Protocolos de Comunicación entre Agentes

Define esquemas de mensajes y reglas de enrutamiento para la comunicación entre agentes. Los protocolos estandarizados previenen fallas de integración a medida que crece el número de agentes.

Clase 3 • Tolerancia a Fallas en Sistemas Multi-Agente

Implementa chequeos de salud, reinicios y reasignación de tareas para agentes que fallan. Asegura que el sistema general continúe operando a pesar de las fallas de agentes individuales.

Clase 4 • Memoria Compartida y Sincronización de Estado

Sincroniza el estado compartido entre agentes usando locks, colas y almacenes distribuidos. Previene condiciones de carrera y lecturas obsoletas en sistemas de agentes concurrentes.

Clase 1 • Herramientas y Técnicas de Perfilado

Usa cProfile, line_profiler y memory_profiler para localizar puntos críticos de rendimiento. Perfilar antes de optimizar previene esfuerzos desperdiciados en rutas de código no críticas.

Clase 2 • Estrategias de Caché para Llamadas de Agentes

Aplica caché en memoria y distribuida para evitar llamadas redundantes a LLMs y herramientas. El caché es la optimización de mayor impacto para agentes sensibles a la latencia.

Clase 3 • Paralelismo con Multiprocessing e Hilos

Deriva tareas limitadas por CPU a pools de procesos y tareas limitadas por entrada/salida a pools de hilos. Complementa los patrones asincrónicos para cargas de trabajo que bloquean el bucle de eventos.

Clase 4 • Optimización del Procesamiento de Datos en Python

Reemplaza bucles lentos de Python con operaciones vectorizadas de NumPy y comprensiones eficientes. Reduce el tiempo de CPU para los pasos de preprocesamiento de datos pesados de los agentes.

Clase 1 • Patrones de Contenerización y Despliegue

Empaquetá agentes en contenedores y desplegalos con plataformas de orquestación. La contenerización asegura la paridad de entorno entre desarrollo y producción.

Clase 2 • Frameworks de Evaluación de Agentes

Medí el rendimiento del agente con métricas de tasa de finalización de tareas, fidelidad y latencia. La evaluación cuantitativa reemplaza el juicio subjetivo con puntuaciones reproducibles.

Clase 3 • Pipelines de CI/CD para Sistemas Agénticos

Automatizá las pruebas, la evaluación y el despliegue a través de pipelines de CI/CD. La entrega continua reduce el riesgo de poner en producción comportamientos de agente defectuosos.

Clase 4 • Pruebas Unitarias y de Integración para Agentes

Escribí pruebas unitarias basadas en pytest para herramientas y pruebas de integración para bucles de agentes. Las pruebas automatizadas detectan regresiones antes de que lleguen a producción.