Curso de Optimización de Python para IA Agéntica

Lección 1 • Patrones Orientados a Objetos para Agentes

Aplica clases, herencia y composición para modelar componentes de agentes. Proporciona el vocabulario estructural utilizado a lo largo del curso.

Lección 2 • Configuración del Entorno de Python y Herramientas

Configura entornos de Python reproducibles utilizando entornos virtuales y gestores de dependencias. Establece el espacio de trabajo consistente del que dependen todos los capítulos posteriores.

Lección 3 • Manejo de Errores y Prácticas de Registro

Implementa jerarquías de excepciones estructuradas y registro estructurado. El manejo confiable de errores es crítico para agentes autónomos de larga duración.

Lección 4 • Repaso de Estructuras de Datos Centrales de Python

Revisita 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.

Lección 1 • Colas Asíncronas y Agentes Productor-Consumidor

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

Lección 2 • Ejecución Síncrona vs. Asíncrona

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

Lección 3 • Gestión de Tareas y Patrones Gather

Programa múltiples corutinas con tareas de asyncio y gather. Permite a los agentes expandir llamadas a herramientas y recolectar resultados eficientemente.

Lección 4 • Administradores de Contexto y Generadores Asíncronos

Implementa administradores de contexto asíncronos y generadores asíncronos para transmisión segura de recursos. Soporta la transmisión de respuestas de LLM dentro de los bucles del agente.

Lección 1 • Backends de Almacenamiento Persistente

Persiste la memoria del agente a través de sesiones usando almacenes relacionales y clave-valor. Permite agentes con estado que reanudan el contexto después de reinicios.

Lección 2 • Estrategias de Optimización de la Ventana de Contexto

Comprime, resume y prioriza la memoria para ajustarse a los límites de contexto del LLM. Mejora directamente la coherencia del agente en tareas de larga duración.

Lección 3 • Taxonomía de Memoria del Agente

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

Lección 4 • Almacenes Vectoriales para Recuperación Semántica

Genera embeddings de texto y consulta 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.

Lección 1 • Llamada a Funciones con APIs de LLM

Pasa esquemas de herramientas a las APIs de LLM y analiza las respuestas estructuradas de llamada a función. Cierra la brecha entre la salida del LLM y las funciones Python ejecutables.

Lección 2 • Principios de Diseño de Herramientas

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

Lección 3 • Lógica de Reintento y Recuperación de Errores

Implementa backoff exponencial, disyuntores y estrategias de respaldo para herramientas. Asegura que los agentes permanezcan funcionales cuando los servicios externos se degradan.

Lección 4 • Ejecución de Herramientas en Entorno Aislado y Seguro

Ejecuta herramientas generadoras de código en subprocesos o contenedores aislados. Mitiga los riesgos de seguridad de la ejecución de código generado por el agente.

Lección 1 • Ingeniería de Prompts para Razonamiento

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

Lección 2 • Mecanismos de Autocorrección y Reflexión

Añade pasos de reflexión donde los agentes critican y revisan sus propias salidas. Mejora la calidad de la respuesta final en tareas complejas y abiertas.

Lección 3 • Descomposición de Metas y Planificación de Tareas

Divide metas de alto nivel en subtareas ordenadas utilizando planes generados por LLM. Permite a los agentes abordar problemas de múltiples pasos más allá del razonamiento de un solo turno.

Lección 4 • Implementación del Bucle ReAct en Python

Codifica un bucle ReAct completo con análisis de pensamiento, despacho de herramientas e inyección de observación. Traduce el artículo de ReAct a Python ejecutable y comprobable.

Lección 1 • Implementación del Agente Orquestador

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

Lección 2 • Protocolos de Comunicación entre Agentes

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

Lección 3 • Tolerancia a Fallos en Sistemas Multi-Agente

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

Lección 4 • Memoria Compartida y Sincronización de Estado

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

Lección 1 • Herramientas y Técnicas de Perfilado

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

Lección 2 • Estrategias de Caché para Llamadas de Agentes

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

Lección 3 • Paralelismo con Multiprocessing e Hilos

Descarga tareas limitadas por CPU a pools de procesos y tareas limitadas por E/S a pools de hilos. Complementa los patrones asíncronos para cargas de trabajo que bloquean el bucle de eventos.

Lección 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 pasos de preprocesamiento de datos pesados del agente.

Lección 1 • Contenerización y Patrones de Despliegue

Empaqueta agentes en contenedores y despliega con plataformas de orquestación. La contenerización asegura la paridad del entorno entre desarrollo y producción.

Lección 2 • Marcos de Evaluación de Agentes

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

Lección 3 • Pipelines de CI/CD para Sistemas Agénticos

Automatiza las pruebas, evaluación y despliegue a través de pipelines de CI/CD. La entrega continua reduce el riesgo de enviar comportamientos de agente defectuosos.

Lección 4 • Pruebas Unitarias y de Integración para Agentes

Escribe 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.