Formación Avanzada

Construcción de
Agentes IA

Diseña, construye y despliega agentes de IA autónomos. Orquestación multi-agente, uso de herramientas, sistemas de memoria y patrones de despliegue en producción. Construye agentes que planifican, razonan y actúan con mínima intervención humana.

40 Horas
Avanzado
LangGraph + CrewAI

Resumen del Curso

La IA agéntica representa la próxima evolución de las aplicaciones de IA. En lugar de prompts únicos, los agentes establecen objetivos, planifican pasos, usan herramientas e iteran hasta completar las tareas. Este curso te enseña a construir sistemas de agentes listos para producción.

1

Fundamentos de Agentes

El patrón ReAct, uso de herramientas y cómo los agentes razonan a través de tareas multi-paso.

ReAct Tool Calling Planificación
2

Sistemas de Memoria

Memoria a corto plazo, largo plazo y episódica. Bases de datos vectoriales y estrategias de recuperación.

Working Memory Vector DBs Summarization
3

Sistemas Multi-Agente

Patrones de orquestación, comunicación entre agentes y resolución colaborativa de problemas.

CrewAI AutoGen Swarm
4

Workflows LangGraph

Máquinas de estado para agentes. Edges condicionales, ciclos y human-in-the-loop.

State Graphs Checkpointing Streaming
5

Patrones de Producción

Manejo de errores, observabilidad, límites de tasa y degradación elegante.

LangSmith Tracing Guardrails
6

Proyecto Real

Construye un pipeline completo de generación de contenido con orquestación multi-agente.

Full Pipeline Despliegue Monitoreo

Arquitectura MVVM para Agentes

Los sistemas de agentes se benefician del patrón Model-View-ViewModel. Separa la gestión del estado de la lógica de negocio y la presentación para código de agente testeable y mantenible.

┌─────────────────────────────────────────────────────────────────┐ │ VIEW (API/UI) │ │ - Endpoints FastAPI retornando ViewModels │ │ - Conexiones WebSocket para streaming │ │ - Componentes React/Vue para dashboards de agentes │ └─────────────────────┬───────────────────────────────────────────┘ │ Data Binding ▼ ┌─────────────────────────────────────────────────────────────────┐ │ VIEWMODEL │ │ - AgentStateViewModel: paso actual, progreso, outputs │ │ - Commands: StartTask, PauseAgent, ApproveStep │ │ - Propiedades computadas: can_proceed, estimated_completion │ │ - Notificaciones observables (patrón Observer) │ └─────────────────────┬───────────────────────────────────────────┘ │ ▼ ┌─────────────────────────────────────────────────────────────────┐ │ MODEL │ │ - Lógica de negocio del agente (máquina de estados LangGraph) │ │ - Implementaciones de herramientas │ │ - Sistemas de memoria (vector stores, historial de conv.) │ └─────────────────────────────────────────────────────────────────┘
viewmodels/agent_viewmodel.py python
from pydantic import BaseModel, computed_field from enum import Enum class AgentStatus(str, Enum): IDLE = "idle" PLANNING = "planning" EXECUTING = "executing" WAITING_APPROVAL = "waiting_approval" COMPLETED = "completed" ERROR = "error" class AgentViewModel(BaseModel): """ViewModel: Estado observable para UI de agente""" task_id: str status: AgentStatus current_step: int total_steps: int outputs: list[dict] = [] @computed_field @property def progress_percent(self) -> float: if self.total_steps == 0: return 0.0 return (self.current_step / self.total_steps) * 100 @computed_field @property def can_proceed(self) -> bool: return self.status == AgentStatus.WAITING_APPROVAL

Patrones de Diseño de Comportamiento

Los sistemas de agentes se construyen sobre patrones de comportamiento. Estos patrones definen cómo los agentes se comunican, toman decisiones y gestionan transiciones de estado.

State

El comportamiento del agente cambia según el estado interno: planificando, ejecutando, esperando aprobación, recuperación de errores.

Command

Encapsula acciones del agente como objetos. Habilita undo/redo, colas, logging y flujos de aprobación humana.

Observer

Notifica a la UI y sistemas de logging sobre cambios de estado del agente. Transmite actualizaciones en tiempo real vía WebSockets.

Chain of Responsibility

Procesa solicitudes del agente a través de cadenas de validación, límites de tasa, autenticación y logging antes de ejecutar.

Strategy

Intercambia algoritmos de planificación, estrategias de selección de herramientas y enfoques de recuperación de errores.

Mediator

Coordina la comunicación entre múltiples agentes. El orquestador media en lugar de que los agentes hablen directamente.

Orquestación Multi-Agente

Patrón Descripción Caso de Uso
Pipeline Secuencial Los agentes ejecutan en orden, cada uno recibe output del anterior Pipeline de contenido: investigar → escribir → editar → publicar
Fan-Out Paralelo Múltiples agentes trabajan simultáneamente en diferentes subtareas Generar imágenes, audio y texto en paralelo
Supervisor Un agente delega y revisa el trabajo de otros Agente manager asigna tareas a agentes especialistas
Debate Múltiples agentes argumentan posiciones, sintetizan consenso Code review con múltiples perspectivas
Reflexión El agente revisa y critica su propio output Generación de contenido auto-mejorante

Proyectos Prácticos

¿Listo para Construir Agentes Autónomos?

Domina los patrones y frameworks que impulsan sistemas de IA en producción. Continúa con RAG y Sistemas de Conocimiento para dar a tus agentes acceso a tus datos.

Inscribirse Ahora
Pregunta a iSeeCI