Diseño y Configuración de Agentes de IA

Perfil no técnico: gerentes, directores, consultores, profesionales de negocio y líderes de transformación digital que hayan completado el Curso 1 del learning path o cuenten con conocimientos equivalentes en Python básico e interacción con APIs de LLMs.

Perfil técnico: ingenieros de software, desarrolladores, data scientists, analistas de datos y profesionales de TI que hayan completado el Curso 1 o cuenten con experiencia previa en Python y consumo de APIs REST.

Prerrequisito: haber completado IA Agéntica I o demostrar conocimientos equivalentes en Python básico, consumo de APIs REST y manejo de JSON.

Objetivo general
Capacitar a los participantes en técnicas avanzadas de IA generativa, como prompt engineering, function calling, RAG y patrones agénticos, para construir agentes inteligentes capaces de razonar, acceder a conocimiento externo y ejecutar acciones, mientras desarrollan un caso de negocio sustentado en métricas de valor.

Objetivos específicos

• Aplicar técnicas avanzadas de prompt engineering, como Chain-of-Thought, Few-Shot, Tree-of-Thought y meta-prompting, para obtener respuestas más precisas, estructuradas y confiables de los modelos de lenguaje.
• Comprender e implementar function calling y tool use para que los LLMs ejecuten acciones en sistemas externos, identificando cuándo y cómo aplicar cada enfoque.
• Diseñar e implementar un pipeline completo de RAG (Retrieval-Augmented Generation) mediante embeddings y bases vectoriales con ChromaDB, incluyendo carga de documentos, chunking, indexación, consulta y generación de respuestas.
• Construir un agente funcional con el patrón ReAct (Reasoning + Acting) que implemente el ciclo percibir–razonar–actuar mediante LangChain Agents.
• Evaluar la calidad de las respuestas de modelos de lenguaje y sistemas RAG mediante métricas de relevancia, fidelidad y cobertura, identificando alucinaciones y limitaciones.
• Construir el caso de negocio de una solución basada en agentes de IA, incluyendo análisis de ROI, comparación de modelos y articulación de una propuesta de valor para stakeholders.

• Prompt engineering avanzado.
• Function calling y tool use.
• Implementación de pipelines RAG.
• Construcción de agentes con el patrón ReAct.
• Prototipado con Streamlit y Gradio.
• Desarrollo de casos de negocio con análisis de ROI.

El curso aplica el enfoque Comprende + Construye, que combina conceptos claros con práctica en cada sesión.

En la capa Comprende, abordas temas como RAG, embeddings y function calling con explicaciones accesibles. Los perfiles no técnicos trabajan con herramientas no-code como n8n y Flowise.

En la capa Construye, desarrollas laboratorios progresivos en Google Colab hasta crear un agente funcional con RAG y una demo visual en Streamlit o Gradio.

Como proyecto integrador, evolucionas el prototipo del Curso 1 con información de tu caso de negocio. Los perfiles técnicos implementan el pipeline en Python y los no técnicos definen la estrategia de conocimiento y el caso de negocio con ROI.

• Google Colab: entorno principal para desarrollar los laboratorios y ejercicios del curso.
• Repositorio GitHub del programa: acceso a notebooks organizados por módulo, datasets de ejemplo y documentos para trabajar los ejercicios de RAG.
• APIs de LLMs: se requieren créditos disponibles en las consolas de API para realizar las prácticas con modelos de lenguaje.
• Zoom: acceso a las sesiones mediante el ID 7013475.