Este es un curso que construyo en vivo, capítulo a capítulo, mientras estudio arquitectura de agentes de IA desde mi rol como Tech Lead de automatización en un banco. Vengo de 10 años de RPA/BPM/Power Platform/n8n — flujos deterministas — y este curso documenta el proceso de aprender, con datos y no con impresiones, cuándo vale la pena cederle control de flujo a un LLM y cuándo no.
Cada capítulo se publica solo cuando el anterior está completo: el Capítulo 2 no existe hasta que termine de estudiar y construir el Capítulo 1, y así con el resto. Los hallazgos, resultados de experimentos y recursos que voy encontrando en el camino los voy detallando en el blog.
Cómo leer esta guía
Tres reglas que aplican a todos los capítulos:
-
El harness de evaluación se construye desde el Capítulo 1, no en el capítulo de evaluación. No se puede medir nada en los capítulos intermedios sin infraestructura mínima de medición. Por eso el Cap. 1 construye un harness mínimo que crece capítulo a capítulo, y recién el Cap. 7 lo formaliza.
-
Predicción antes de correr. Antes de cada experimento registro hipótesis con números (“espero que el pipeline gane en tareas simples con ~95% vs ~80%”). La distancia entre lo que predije y lo que pasó es el material más honesto de cada capítulo.
-
El modelo local (Qwen 2.5 7B en una RTX 3070, 8GB VRAM) es una feature pedagógica y también un confounder. Soporta tool calling, pero de forma frágil — aparecen modos de falla que un modelo frontier no comete. Por eso varios experimentos incluyen una corrida de control con un modelo mayor vía API, para separar “falla de mi arquitectura” de “falla de mi modelo”.
Ajustes a la progresión original
El orden natural sería Fundamentos → Memoria → Herramientas → Planning → Multiagente → Evaluación → Producción. Este curso hace cuatro cambios:
- Herramientas antes que Memoria. El agente ReAct del Cap. 1 ya usa tools; sus modos de falla (descripciones ambiguas, argumentos malformados, demasiadas opciones) aparecen inmediatamente y bloquean todo lo demás. La memoria solo produce un efecto medible cuando ya hay un agente que funciona razonablemente.
- LangGraph no aparece hasta el Capítulo 4. Primero se construye el loop a mano. Empezar por el framework enseña una API sin entender qué abstrae.
- Capítulo dedicado a LangGraph como grafo de control, no mezclado con planning — checkpointing e interrupciones son prerrequisito técnico del human-in-the-loop del Cap. 8.
- Evaluación pasa al Cap. 7, pero se practica desde el Cap. 1.
Los 8 capítulos, con su estado actual, están listados abajo — cada uno se activa cuando el anterior está completo y medido.