Inteligencia Artificial Aplicada · IA-103

Agentes y prompts avanzados

Del prompt aislado al agente que descompone tareas, usa herramientas y sabe cuándo parar.

Disponible Avanzado 7 módulos · 28 clases

Formato asíncrono Desarrollo ChatGPT, Claude

IA DESARROLLO

Lo que aprenderás

Descomponer un objetivo en subtareas con un criterio de éxito comprobable para cada paso.
Definir el conjunto de herramientas que el agente puede invocar y los límites de cada una.
Implementar memoria de trabajo y decidir qué se conserva entre iteraciones y qué se descarta.
Establecer condiciones de parada y presupuesto de pasos para evitar bucles improductivos.
Instrumentar el bucle del agente con trazas que permitan reconstruir cada decisión tomada.
Diagnosticar los fallos habituales: herramienta mal descrita, contexto perdido y objetivo ambiguo.

Contenido del curso

7 módulos · 28 clases en vídeo · práctica guiada en cada módulo

Módulo 1 · Qué cambia al pasar a agentes 4 clases

Asistente, flujo automatizado y agente: fronteras reales
El bucle percibir, decidir, actuar
Preparar el entorno de trabajo en Python
Primer agente mínimo con una sola herramienta

Módulo 2 · Descomposición de tareas 4 clases

Del objetivo al plan de subtareas
Criterios de éxito comprobables por paso
Planificar antes de actuar frente a decidir sobre la marcha
Replanificación cuando un paso falla

Módulo 3 · Herramientas 4 clases

Describir una herramienta para que el modelo la use bien
Esquemas de argumentos y validación de entrada
Herramientas de lectura frente a herramientas que escriben
Permisos y confirmación humana en acciones sensibles

Módulo 4 · Memoria y contexto 4 clases

Qué guardar entre iteraciones y qué olvidar
Resumen progresivo del historial de trabajo
Memoria externa en fichero o base de datos
Contaminación del contexto y cómo limpiarla

Módulo 5 · Control y criterios de parada 4 clases

Presupuesto de pasos y de llamadas
Detección de bucles y de progreso nulo
Rendirse bien: informar de lo que no se ha podido hacer
Escalado a intervención humana

Módulo 6 · Observación y depuración 4 clases

Trazas de cada decisión y cada llamada
Reproducir una ejecución fallida
Casos de prueba a partir de fallos reales
Comparar dos versiones del agente

Módulo 7 · Proyecto final: agente de investigación documental 4 clases

Definir alcance y herramientas disponibles
Implementar el bucle con memoria y trazas
Probar contra casos límite preparados
Revisión del resultado y entrega comentada

Requisitos

Dominio del prompting estructurado: plantillas, ejemplos y salidas en formato fijo.
Programación en Python a nivel de funciones, estructuras de datos y manejo de excepciones.
Haber consumido alguna API por HTTP y saber leer su documentación.
Cuenta con acceso a ChatGPT o Claude para las prácticas.

Descripción

Un asistente responde; un agente actúa. En cuanto se le pide que consulte un fichero, llame a un servicio y decida el siguiente paso, aparecen problemas que el prompting clásico no cubre: el agente se pierde, repite, gasta llamadas sin avanzar o da por terminado un trabajo a medias. Este curso se ocupa de ese salto y de cómo mantenerlo bajo control.

Se construye un agente desde el bucle más simple hasta uno con varias herramientas, memoria y control de errores. Cada bloque añade una pieza y, al mismo tiempo, una forma de comprobar que esa pieza funciona: trazas, límites de iteraciones, criterios de parada y pruebas sobre casos que antes fallaban. El énfasis está en la descripción de las herramientas, que es donde se decide casi todo.

Al final se dispone de un agente propio y, más importante, de un método para razonar sobre su comportamiento cuando falla. Es la antesala natural del trabajo con Model Context Protocol, donde las herramientas dejan de estar cableadas en el código, y del desarrollo asistido por agentes, que aplica estas mismas ideas al propio ciclo de programación.

¿Para quién es este curso?

Personas desarrolladoras que ya integran modelos por API y quieren dar el paso a la automatización con herramientas.
Perfiles de backend responsables de procesos internos que hoy encadenan scripts a mano.
Técnicos que evalúan si un agente puede hacerse cargo de una tarea antes de proponerlo en su equipo.