Aprende
AI Engineering, explicado con código real
Un curso breve para CTOs, developers y lectores con conocimiento técnico. Cada concepto se explica primero por sí mismo, luego se muestra funcionando —o, con honestidad, sin funcionar— en uno de nuestros productos de código abierto, y se ubica junto a las herramientas que usa el resto del ecosistema.
Cada lección separa tres tipos de afirmación:
- En el producto — existe en el repositorio; se cita el archivo.
- Concepto general — vale con o sin nuestros productos.
- Ecosistema — herramientas y prácticas externas; cambian rápido, verifícalas antes de decidir.
Los términos con subrayado punteado muestran una definición breve al pasar el cursor, enfocarlos o tocarlos.
Casos de estudio
- AdaptaRAG y fine-tuning QLoRA self-hosted, detrás de un eval gate. Prototipo sin auditar.Código · Apache-2.0 (se abre en una ventana nueva)
- docketRuntime gobernado para equipos de agentes de programación, con un único punto de control para cada herramienta. Beta.Código · Apache-2.0 (se abre en una ventana nueva)
- TackTablero de proyectos self-hosted que despacha trabajo a agentes de programación mediante runners durables. Beta pública.Código · MIT (se abre en una ventana nueva)
Módulo 1 · 8 lecciones
Fundamentos de ML y LLMs
Qué es un modelo, cómo aprende y cómo darle conocimiento y comportamiento sin perder el control. Caso de estudio: Adapta.
- 01Breve historia de la IADel perceptrón a los agentes: los inviernos, las apuestas que funcionaron y por qué cada ola cambió lo que construimos.12 min
- 02Machine learning en una lecciónDatos, entrenamiento, inferencia, generalización y overfitting: el vocabulario sobre el que se apoya todo lo demás.10 minAdapta
- 03El LLM como componente de softwareTokens, contexto, temperature y salida estructurada, y por qué un 200 OK ya no significa que la respuesta sea correcta.12 minAdapta · docket
- 04Modelos, pesos abiertos y Hugging FaceFamilias de modelos cerrados y de pesos abiertos, licencias y model cards, y el Hub de Hugging Face como lugar donde se comparten.13 minAdapta
- 05Embeddings y RAGChunking, búsqueda vectorial y por palabras, fusión de rankings, reranking y citas: darle al modelo conocimiento con el que nunca fue entrenado.14 minAdapta
- 06Fine-tuning, LoRA y QLoRACuándo conviene hacer fine-tuning en vez de prompting o RAG, y cómo los adapters y la cuantización lo hacen caber en una GPU.14 minAdapta
- 07Evaluar modelosDatos held-out, baselines, métricas y eval gates: cómo saber que un modelo mejoró en lugar de suponerlo.12 minAdapta
- 08Servir modelosInferencia local u hospedada, endpoints compatibles con OpenAI, pesos cuantizados, multi-tenancy y lo que de verdad define el costo.11 minAdapta · docket
Módulo 2 · 10 lecciones
Agentes y AI Engineering
De llamar a un modelo a gobernar uno que actúa: bucles, herramientas, políticas, aislamiento, observabilidad y seguridad. Caso de estudio: docket.
- 09De la aplicación con LLM al agenteAplicaciones con LLM, workflows y agentes se distinguen por quién decide el siguiente paso. El agent loop, y por qué es una superficie de seguridad.12 mindocket
- 10Tool calling y harnessEl modelo pide, tu programa ejecuta. Esquemas de herramientas, validación de argumentos y el runtime que controla esa frontera.13 mindocket
- 11Agentes de código: harness y skillsClaude Code, Codex, OpenCode y compañía; archivos de instrucciones, skills, subagentes y hooks, y cómo manejar varios harness desde un sistema.13 mindocket · Tack
- 12Gobernanza y human-in-the-loopPolíticas como código, deny-ask-allow, clasificación de riesgo y aprobaciones que una persona realmente puede dar.13 mindocket
- 13Sandboxing y seguridad de agentesPrompt injection, la trifecta letal, mínimo privilegio y niveles de aislamiento, desde worktrees hasta microVMs.14 mindocket · Tack
- 14Contexto, routing y costoContext engineering, compactación, routing de modelos por rol, presupuestos, y por qué los tokens medidos valen más que los dólares estimados.11 mindocket
- 15Gateways de modelosUn endpoint delante de muchos proveedores: llaves, fallbacks, rate limits, caché, seguimiento de costo y dónde un gateway deja de ayudar.11 mindocket
- 16Observabilidad, auditoría y confiabilidadTrazas, logs de auditoría encadenados por hash, reintentos, timeouts y cancelación: evidencia que sobrevive al final del turno.13 mindocket · Tack
- 17Testing y evals para agentesModelos falsos, tests de arquitectura, golden files y suites de evals: testear un sistema cuyo núcleo no se puede leer como código.12 mindocket
- 18MCP, el Model Context ProtocolQué estandariza MCP, qué no, y cómo exponer o consumir herramientas sin ceder el control.10 mindocket · Tack
Módulo 3 · 4 lecciones
Orquestación en producción
Equipos de agentes, ejecución durable y las decisiones que un CTO debe tomar antes de adoptar todo esto. Casos de estudio: Tack y docket.
- 19Sistemas multi-agenteRoles, pipelines y verificación independiente, y cuándo un solo agente es la mejor respuesta.12 mindocket · Tack
- 20Ejecución durable de agentesRunners que hacen pull, leases, fencing tokens y resultados ambiguos: ejecutar agentes que pueden caerse sin ejecutarse dos veces.13 minTack
- 21Del vibe coding a la fábrica lights-outEl espectro que va del autocompletado a las fábricas de software sin supervisión, y las specs, tests y controles que exige cada paso.13 minTack · docket
- 22Adoptar AI Engineering: guía para CTOsArquitecturas por nivel de madurez, construir o comprar, una tabla de decisión, anti-patrones y un roadmap de habilidades.14 mindocket · Tack · Adapta
Módulo 4 · 2 lecciones
En la práctica
Usos públicos y documentados de AI Engineering, y un sistema construido de punta a punta con los tres casos de estudio.
- 23Casos de uso aplicadosCinco escenarios trabajados —soporte, código, búsqueda interna, documentos y operaciones— con qué construyes, qué falla primero y qué mides.14 min
- 24Implementación paso a pasoUn asistente de soporte construido de punta a punta: conocimiento con Adapta, un agente gobernado con docket, trabajo seguido en Tack y un chat en producción.16 minAdapta · docket · Tack
Referencia