Saltar al contenido principal
Aprende
EnglishEspañol

Aprende

AI Engineering, explicado con código real

Un curso breve para cualquier persona que trabaja con IA, desde quien da sus primeros pasos en el mundo técnico hasta quien diseña y opera los sistemas. Cada idea se explica primero con palabras simples, 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

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.

  1. 01Breve historia de la IACómo llegamos de las primeras máquinas que aprendían a los agentes de hoy, y por qué cada ola cambió lo que construimos.12 min
  2. 02Machine learning en una lecciónCómo un programa aprende de ejemplos en lugar de reglas, y el puñado de palabras sobre el que se apoya todo el curso.10 minAdapta
  3. 03El LLM como componente de softwareQué cambia cuando una pieza de tu software responde distinto cada vez, y por qué una llamada exitosa ya no significa que la respuesta sea correcta.12 minAdapta · docket
  4. 04Modelos, pesos abiertos y Hugging FaceModelos cerrados y modelos que puedes descargar, qué permiten sus licencias, y Hugging Face como el lugar donde se comparten.13 minAdapta
  5. 05Embeddings y RAGDarle a un modelo conocimiento con el que nunca fue entrenado: encontrar los fragmentos correctos de tus documentos y hacer que responda a partir de ellos.14 minAdapta
  6. 06Fine-tuning, LoRA y QLoRACuándo conviene cambiar el comportamiento de un modelo entrenándolo un poco más, y cómo las técnicas actuales lo vuelven accesible.14 minAdapta
  7. 07Evaluar modelosCómo saber que un modelo mejoró en lugar de suponerlo: pruebas justas, un punto de comparación y un control antes de publicar.12 minAdapta
  8. 08Servir modelosEjecutar un modelo en tus propias máquinas o a través de un proveedor, qué define de verdad el costo y cómo compartir un modelo de forma segura.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.

  1. 09De la aplicación con LLM al agenteQué convierte a un sistema en un agente —el modelo decide el siguiente paso— y por qué esa libertad necesita límites.12 mindocket
  2. 10Tool calling y harnessEl modelo pide, tu programa ejecuta: cómo un modelo usa herramientas, y la capa de software que decide qué se ejecuta de verdad.13 mindocket
  3. 11Agentes de código: harness y skillsLas herramientas que permiten a los agentes escribir código, las formas de enseñarles cómo funciona un proyecto y cómo manejar varias desde un sistema.13 mindocket · Tack
  4. 12Gobernanza y human-in-the-loopDecidir qué acciones puede tomar un agente por su cuenta, cuáles necesitan a una persona y cómo lograr que esa aprobación tenga sentido.13 mindocket
  5. 13Sandboxing y seguridad de agentesPor qué todo lo que lee un agente puede intentar darle órdenes, y cómo limitar su acceso y aislar su trabajo mantiene pequeños los errores.14 mindocket · Tack
  6. 14Contexto, routing y costoQué le damos a leer al modelo, qué modelo atiende cada tarea y cómo mantener los costos visibles y bajo control.11 mindocket
  7. 15Gateways de modelosUn único punto de entrada delante de muchos proveedores de modelos: qué simplifica, qué protege y dónde deja de ayudar.11 mindocket
  8. 16Observabilidad, auditoría y confiabilidadVer qué hizo un agente y por qué, guardar un registro confiable y manejar las fallas que van a ocurrir.13 mindocket · Tack
  9. 17Testing y evals para agentesCómo probar un sistema cuya parte más importante es un modelo que no se puede leer como código.12 mindocket
  10. 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, trabajo que sobrevive a las fallas y las decisiones que hay que tomar antes de adoptar todo esto. Casos de estudio: Tack y docket.

  1. 19Sistemas multi-agenteRepartir el trabajo entre varios agentes, revisar los resultados de otros, y cuándo un solo agente es la mejor respuesta.12 mindocket · Tack
  2. 20Ejecución durable de agentesEjecutar agentes que pueden caerse a mitad de camino sin perder trabajo ni hacer lo mismo dos veces.13 minTack
  3. 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
  4. 22Adoptar AI Engineering en un equipoPor dónde empezar, qué construir y qué comprar, errores comunes y las habilidades que un equipo necesita a medida que crece.14 mindocket · Tack · Adapta

Módulo 4 · 2 lecciones

En la práctica

Escenarios prácticos de cómo se aplica AI Engineering, y un sistema construido de punta a punta con los tres casos de estudio.

  1. 23Casos de uso aplicadosCinco escenarios trabajados —soporte, código, búsqueda interna, documentos y operaciones— con qué construyes, qué falla primero y qué mides.14 min
  2. 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

Glosario

Cada término del curso en una línea, de adapter a vibe coding, con enlace a la lección que lo explica.Abrir el glosario →