Automatización Inteligente con Agentes IA

Perfil no técnico: gerentes, directores, consultores, arquitectos de soluciones, líderes de transformación digital y profesionales de negocios que hayan completado los Cursos 1 y 2 del learning path o cuenten con conocimientos equivalentes en IA generativa, RAG y fundamentos de agentes.

Perfil técnico: ingenieros de software, desarrolladores, data scientists, AI engineers y arquitectos de software que hayan completado los Cursos 1 y 2 o cuenten con experiencia demostrable en Python, RAG, LangChain y construcción de agentes.

Prerrequisito: haber completado IA Agéntica II o demostrar conocimientos equivalentes en prompt engineering avanzado, RAG con bases vectoriales y construcción de agentes con el patrón ReAct.

Objetivo general
Capacitar a los participantes en el diseño y la implementación de sistemas avanzados de agentes de IA, mediante el uso de protocolos como MCP y A2A, frameworks como LangGraph y CrewAI, y patrones de arquitectura multiagente relevantes en el ecosistema actual, para facilitar la toma de decisiones informadas de arquitectura empresarial.

Objetivos específicos

• Comprender e implementar el Model Context Protocol (MCP) como estándar de conexión entre agentes y herramientas, incluida la construcción de un servidor MCP propio en Python.
• Diseñar y crear skills, es decir, instrucciones estructuradas en formato Markdown, como método práctico para adaptar agentes al contexto y los procesos de una organización, comprendiendo sus ventajas frente a alternativas más costosas, como el fine-tuning.
• Comprender el Agent-to-Agent Protocol (A2A) y su función en la coordinación entre agentes de distintos proveedores, diferenciando su papel complementario frente a MCP.
• Construir agentes stateful con LangGraph mediante la implementación de grafos de estado con nodos, edges, checkpointing, flujos condicionales y mecanismos human-in-the-loop.
• Diseñar e implementar equipos de agentes especializados con CrewAI, definiendo roles, objetivos, tareas y patrones de ejecución secuencial y jerárquica.
• Aplicar patrones de sistemas multiagente, como supervisor, pipeline y red de pares, identificando cuál responde mejor a cada tipo de problema de negocio.
• Evaluar frameworks, protocolos y proveedores de IA agéntica con criterios técnicos y comerciales, comprendiendo las implicaciones del vendor lock-in y la interoperabilidad.

• Debe de haber cursado y completado los Cursos 1 y 2 (o cuentan con conocimientos equivalentes en IA generativa, RAG y fundamentos de agentes) y necesitan tomar decisiones informadas de arquitectura empresarial.
• Curso de mayor complejidad técnica del learning path: posiciona al egresado como referente de arquitectura agéntica, no solo de uso de IA.
• Cobertura de los dos estándares del ecosistema 2026: MCP (Anthropic) y A2A (Google), presentados como complementarios entre sí.
• Alternativa práctica al fine-tuning: los "skills" permiten adaptar agentes al contexto empresarial sin los costos de reentrenar modelos.

• Model Context Protocol (MCP): arquitectura, construcción de un servidor MCP propio en Python, exposición de herramientas, recursos y prompts.
• Diseño de "skills": instrucciones estructuradas en markdown para adaptar agentes al contexto empresarial.
• Agent-to-Agent Protocol (A2A): Agent Cards, descubrimiento y negociación de capacidades entre agentes de distintos proveedores.

Enfoque Comprende + Construye: El curso mantiene la metodología Comprende + Construye de los cursos anteriores. La capa Comprende fortalece el análisis de las decisiones de arquitectura, mientras que la capa Construye aumenta la complejidad de los ejercicios prácticos y del código.

Capa Comprende: marco conceptual: Los conceptos técnicos se explican mediante analogías aplicadas al entorno empresarial. MCP se presenta como un estándar para conectar agentes y herramientas; los skills, como instrucciones que adaptan al agente a los procesos de una organización; CrewAI, como un equipo de agentes con roles definidos; y los patrones multiagente, como distintas formas de coordinar tareas.
Los participantes también analizan las implicaciones de cada decisión: integración con sistemas existentes, interoperabilidad, vendor lock-in y conveniencia de implementar un agente único o un sistema multiagente.

Capa Construye: laboratorios de código: Los laboratorios se desarrollan en Google Colab. Los participantes construyen un servidor MCP, implementan agentes stateful con LangGraph, diseñan crews con CrewAI y orquestan sistemas multiagente. Cada ejercicio parte de un notebook funcional que se adapta a un caso de negocio, con LangSmith como herramienta de observabilidad, depuración y monitoreo.

Proyecto integrador. Fase 3: sistema multiagente: El agente con RAG desarrollado en el Curso 2 evoluciona hacia un sistema multiagente con conexión a herramientas mediante MCP, skills, memoria persistente y agentes especializados. Los perfiles técnicos implementan la arquitectura; los perfiles no técnicos la diseñan a alto nivel y documentan sus componentes.

Dinámica de las sesiones: Las sesiones combinan explicación conceptual, laboratorios guiados, resolución de dudas y acompañamiento según el perfil de la cohorte y las necesidades del proyecto integrador.

Entorno de desarrollo

• Google Colab (gratuito): entorno principal de desarrollo, en continuidad con los cursos anteriores.
• Repositorio de GitHub del programa: notebooks con código listo para ejecutar, plantillas de servidores MCP, modelos de skills y configuraciones de CrewAI.

Cuentas y licencias

• APIs de LLM: se utilizarán las cuentas configuradas en los cursos anteriores. Debido a los ciclos multiagente, las llamadas encadenadas y la complejidad de los flujos, se recomienda verificar la disponibilidad de créditos antes de iniciar el curso.
• LangSmith: plataforma de observabilidad de LangChain. Cuenta con una versión gratuita, con un límite de trazas mensuales suficiente para los ejercicios del curso.
• ChromaDB: base de datos vectorial de código abierto y sin costo, utilizada desde el Curso 2.
• Pinecone: base de datos vectorial gestionada en la nube. Su plan gratuito se utilizará para comparar una solución local, como ChromaDB, con una solución gestionada en un contexto empresarial.