| Nombre del curso: | Fundamentos de construcción de agentes |
| Créditos: | 2 |
| Profesores: | Jesse Padilla |
Este curso introduce el diseño y desarrollo de agentes inteligentes basados en modelos de lenguaje grandes (LLMs). A lo largo del curso, los estudiantes desarrollan competencias teóricas y prácticas para diseñar, construir y evaluar sistemas agenticos que combinen razonamiento autónomo, uso de herramientas externas y orquestación de flujos de trabajo complejos. El énfasis del curso se centra en la transición del paradigma de cadenas secuenciales hacia agentes con procesos cíclicos y autónomos, capaces de planificar, ejecutar, reflexionar y corregirse en función de un objetivo definido. Asimismo, el curso prioriza la construcción de sistemas observables, evaluables y seguros, con criterios de calidad, costo y desempeño, que puedan operar de manera confiable en entornos reales.
El programa se apoya en el ecosistema de LangChain como base de orquestación, profundiza en LangGraph para modelar grafos de estado con flujos lineales y cíclicos, y utiliza LangSmith para observabilidad, evaluación y mejora continua. En paralelo, los estudiantes implementan agentes con diferentes arquitecturas y estrategias de razonamiento en contextos de ingeniería de software, con el objetivo de producir soluciones robustas, medibles y alineadas con las necesidades del dominio.
Durante las primeras semanas se establece el marco fundamental: cómo los modelos de lenguaje grandes evolucionan de ser componentes de cadenas predefinidas a convertirse en motores de razonamiento dentro de sistemas autónomos, integrados con herramientas, memoria y protocolos de comunicación. En esta fase se estudian los fundamentos de tool calling, el diseño de herramientas, manejo de errores y los patrones de arquitectura cliente-servidor para la interconexión con servicios externos. También se introduce la observabilidad como práctica esencial, incluyendo trazabilidad de ejecuciones, logging estructurado, métricas de desempeño y debugging de agentes.
Posteriormente, el curso profundiza en los mecanismos que permiten a los agentes gestionar estado y razonar de forma avanzada. Se abordan, de forma práctica, sistemas de memoria de corto y largo plazo, gestión de contexto, personalización y few-shot learning dinámico. Sobre esta base, se estudian técnicas de planificación y descomposición de tareas, incluyendo Plan-and-Execute, ReAct, Chain-of-Thought y gestión de dependencias entre subtareas. El curso avanza hacia estrategias de razonamiento avanzado y autocorrección, como Tree of Thoughts, Self-Consistency, Reflexion, Self-Ask, backtracking y manejo de incertidumbre.
Finalmente, el curso articula estos componentes en soluciones completas: frameworks de evaluación de agentes con métricas de precisión, completitud y eficiencia, guardrails de seguridad, validación de salidas, control de costos y consideraciones éticas.
El programa cierra con orquestación multi-agente, abordando patrones de arquitectura jerárquica y peer-to-peer, especialización por dominio, protocolos de comunicación entre agentes y resolución de conflictos. El resultado esperado es que el estudiante pueda diseñar y justificar una arquitectura agentica, implementarla con buenas prácticas, y medir su desempeño de forma reproducible en un contexto de ingeniería de software.