Academia de IA aplicada
Cursos, workshops, investigaciones y fundamentos sobre agentes, RAG, MCP y Claude Code — material abierto para aprender IA aplicada. Regístrate gratis para guardar tu progreso, hacer preguntas y usar el asistente.
◉ Explora el material
Catálogo rápido 306
- ¿Chatbot, workflow o agente? Cuándo usar cada uno
- Arquitectura AWS — Módulo 1: el mapa de AWS
- Arquitectura AWS — Módulo 10: seguridad de la plataforma
- Arquitectura AWS — Módulo 11: operación autónoma
- Arquitectura AWS — Módulo 12: la arquitectura de referencia
- Arquitectura AWS — Módulo 2: identidad, IAM y el agente como principal
- Arquitectura AWS — Módulo 3: cómputo para agentes
- Arquitectura AWS — Módulo 4: redes, la VPC del agente
- Arquitectura AWS — Módulo 5: microservicios y APIs
- Arquitectura AWS — Módulo 6: estado y datos del agente
- Arquitectura AWS — Módulo 7: el LLM gateway y Bedrock
- Arquitectura AWS — Módulo 8: FinOps de la plataforma
- Arquitectura AWS — Módulo 9: AgentCore y los agentes administrados
- Arquitectura Azure — Módulo 1: el mapa de Azure
- Arquitectura Azure — Módulo 10: seguridad de la plataforma
- Arquitectura Azure — Módulo 11: operación autónoma
- Arquitectura Azure — Módulo 12: la arquitectura de referencia y el cierre de la serie
- Arquitectura Azure — Módulo 2: identidad y managed identities
- Arquitectura Azure — Módulo 3: cómputo, Container Apps y Durable Functions
- Arquitectura Azure — Módulo 4: redes, la VNet del agente
- Arquitectura Azure — Módulo 5: integración, Service Bus y los despertadores
- Arquitectura Azure — Módulo 6: estado y datos del agente
- Arquitectura Azure — Módulo 7: el LLM gateway y Microsoft Foundry
- Arquitectura Azure — Módulo 8: FinOps de la plataforma
- Arquitectura Azure — Módulo 9: Foundry Agent Service y el stack de agentes
- Arquitectura GCP — Módulo 1: el mapa de GCP
- Arquitectura GCP — Módulo 10: seguridad de la plataforma
- Arquitectura GCP — Módulo 11: operación autónoma
- Arquitectura GCP — Módulo 12: la arquitectura de referencia
- Arquitectura GCP — Módulo 2: identidad y service accounts
- Arquitectura GCP — Módulo 3: cómputo, Cloud Run como filosofía
- Arquitectura GCP — Módulo 4: redes, la VPC global
- Arquitectura GCP — Módulo 5: integración, Pub/Sub y los despertadores
- Arquitectura GCP — Módulo 6: estado y datos del agente
- Arquitectura GCP — Módulo 7: el LLM gateway y Vertex AI
- Arquitectura GCP — Módulo 8: FinOps de la plataforma
- Arquitectura GCP — Módulo 9: Agent Engine, ADK y el stack de agentes
- Capstone — Fase 1: el caso y la definición de éxito
- Capstone — Fase 10: presentar (y el cierre del catálogo)
- Capstone — Fase 2: el corpus
- Capstone — Fase 3: el prototipo
- Capstone — Fase 4: herramientas y MCP
- Capstone — Fase 5: las evals
- Capstone — Fase 6: endurecer
- Capstone — Fase 7: desplegar
- Capstone — Fase 8: operar
- Capstone — Fase 9: mejorar
- Casos de uso de IA — Módulo 1: los dos arquetipos
- Casos de uso de IA — Módulo 2: descubrir y calificar
- Casos de uso de IA — Módulo 3: el baseline
- Casos de uso de IA — Módulo 4: la economía de la IA
- Casos de uso de IA — Módulo 5: TCO y el método AWS
- Casos de uso de IA — Módulo 6: la landing zone de IA
- Casos de uso de IA — Módulo 7: ROI y medición
- Casos de uso de IA — Módulo 8: riesgos, gates y el pitch
- Claude Code Workshop for Developers
- Claude Cowork — Módulo 1: qué es y por qué cambia tu forma de trabajar
- Claude Cowork — Módulo 10: flujos reales por rol
- Claude Cowork — Módulo 2: tu primera tarea
- Claude Cowork — Módulo 3: archivos, carpetas e instrucciones
- Claude Cowork — Módulo 4: conectores y MCP
- Claude Cowork — Módulo 5: skills y plugins
- Claude Cowork — Módulo 6: tareas programadas
- Claude Cowork — Módulo 7: navegador, computador y Dispatch
- Claude Cowork — Módulo 8: memoria y proyectos
- Claude Cowork — Módulo 9: seguridad y buenas prácticas
- Cómo crear buenos skills para tu agente de IA
- Cómo escribir buenos prompts (de cero a intermedio)
- Cómo funciona realmente la IA generativa (sin magia ni humo)
- Cómo funciona un agente: herramientas, loop y harness
- Data Engineering — Módulo 1: los datos son el 80% del trabajo
- Data Engineering — Módulo 10: el pipeline de un RAG a escala
- Data Engineering — Módulo 11: features y tiempo real
- Data Engineering — Módulo 12: gobernanza, linaje y costo
- Data Engineering — Módulo 2: el mapa del pipeline
- Data Engineering — Módulo 3: ingesta — batch, streaming y CDC
- Data Engineering — Módulo 4: lake, warehouse y lakehouse
- Data Engineering — Módulo 5: transformación — ELT y dbt
- Data Engineering — Módulo 6: orquestación — Airflow, Dagster y Prefect
- Data Engineering — Módulo 7: calidad y contratos de datos
- Data Engineering — Módulo 8: etiquetado y datos de entrenamiento
- Data Engineering — Módulo 9: datos para LLM
- Deploy de Agentes — Módulo 1: qué cambia en producción
- Deploy de Agentes — Módulo 10: Terraform desde cero — infraestructura como código
- Deploy de Agentes — Módulo 11: deploy end-to-end en GCP con Terraform y GitHub Actions
- Deploy de Agentes — Módulo 12: Railway y la comparación de plataformas
- Deploy de Agentes — Módulo 13: observabilidad y seguridad en producción
- Deploy de Agentes — Módulo 14: rollout y confiabilidad
- Deploy de Agentes — Módulo 2: Git esencial — los comandos del día a día
- Deploy de Agentes — Módulo 3: convenciones de equipo — ramas, commits y PRs como en la empresa
- Deploy de Agentes — Módulo 4: estructura del proyecto, entornos y secretos
- Deploy de Agentes — Módulo 5: contenerización — Docker para tu agente
- Deploy de Agentes — Módulo 6: testing de agentes I — unit tests y mockear el LLM
- Deploy de Agentes — Módulo 7: testing de agentes II — evals como tests que bloquean el deploy
- Deploy de Agentes — Módulo 8: CI con GitHub Actions — automatizar los checks
- Deploy de Agentes — Módulo 9: GitHub a nivel enterprise — checks obligatorios y evaluación de brechas
- El Harness — Clase 1: un agente de IA por dentro
- El Harness — Clase 2: ingeniería de contexto
- El Harness — Clase 3: gobernanza y autonomía
- El Harness — Clase 4: las 7 capas en un caso real
- Embeddings y RAG: buscar en tus propios documentos
- Evals — Módulo 1: por qué un sistema con LLM no se prueba como software
- Evals — Módulo 10: montar el stack de evals de verdad
- Evals — Módulo 11: evaluar en producción, con tráfico real
- Evals — Módulo 12: hacer que el programa sobreviva al primer trimestre
- Evals — Módulo 2: traducir «que funcione bien» a algo medible
- Evals — Módulo 3: el primer eval, sin gastar un token
- Evals — Módulo 4: el juez que también hay que evaluar
- Evals — Módulo 5: evaluar el camino, no solo la respuesta
- Evals — Módulo 6: evaluar el uso de herramientas
- Evals — Módulo 7: evaluar conversaciones con un usuario simulado
- Evals — Módulo 8: cuándo un número es señal y cuándo es ruido
- Evals — Módulo 9: red teaming — la suite adversarial que corre siempre
- Evaluación de agentes y flujos LLM: buenas prácticas
- Fine-tuning — Módulo 1: cuándo hacer fine-tuning y cuándo no
- Fine-tuning — Módulo 10: mergear, cuantizar y servir el modelo
- Fine-tuning — Módulo 11: destilación, continued pretraining y otras técnicas
- Fine-tuning — Módulo 12: el fine-tuning en producción
- Fine-tuning — Módulo 13: entrenar tus propios embeddings y rerankers
- Fine-tuning — Módulo 2: el dataset es el modelo
- Fine-tuning — Módulo 3: chat templates, tokens especiales y loss masking
- Fine-tuning — Módulo 4: elegir el modelo base y el hardware
- Fine-tuning — Módulo 5: LoRA y QLoRA a fondo
- Fine-tuning — Módulo 6: tu primer SFT completo, de punta a punta
- Fine-tuning — Módulo 7: hiperparámetros y cómo leer las curvas
- Fine-tuning — Módulo 8: evaluar si de verdad sirvió
- Fine-tuning — Módulo 9: preferencias y DPO en la práctica
- Flujos Agénticos con AgentInTheLoop — Parte 1: Introducción
- Flujos Agénticos con AgentInTheLoop — Parte 2: a chatbot
- Generación de imágenes — Módulo 1: cómo ve una máquina — de píxeles a tensores
- Generación de imágenes — Módulo 10: de CNN a Vision Transformer (ViT) — la atención llega a la visión
- Generación de imágenes — Módulo 11: multimodal — cómo ven los LLM
- Generación de imágenes — Módulo 12: práctica, producción, límites y ética
- Generación de imágenes — Módulo 2: la convolución — filtros que detectan patrones
- Generación de imágenes — Módulo 3: la arquitectura CNN — de bordes a objetos
- Generación de imágenes — Módulo 4: entrenar una CNN — data augmentation y transfer learning
- Generación de imágenes — Módulo 5: autoencoders y VAE — el primer modelo que genera
- Generación de imágenes — Módulo 6: GANs — el duelo entre generador y discriminador
- Generación de imágenes — Módulo 7: del pixel-space al latent-space — por qué generar en pequeño
- Generación de imágenes — Módulo 8: modelos de difusión — agregar y quitar ruido
- Generación de imágenes — Módulo 9: Stable Diffusion por dentro — U-Net, latent diffusion y CLIP
- Glosario de Arquitectura AWS para Agentes de IA
- Glosario de Arquitectura Azure para Agentes de IA
- Glosario de Arquitectura GCP para Agentes de IA
- Glosario de Claude Cowork
- Glosario de comandos: Claude Code
- Glosario de conceptos: agentes IA
- Glosario de Data Engineering para IA
- Glosario de Deploy de Agentes y DevOps
- Glosario de Evals y evaluación de agentes
- Glosario de Fine-tuning y adaptación de modelos
- Glosario de generación de imágenes
- Glosario de GPU e IA local
- Glosario de LangGraph
- Glosario de Machine Learning
- Glosario de MLOps
- Glosario de Producto y Gestión de IA
- Glosario de RAG
- Glosario de Razonamiento y RL
- Glosario de Redes Neuronales y Deep Learning
- Glosario de Seguridad de IA
- Glosario de Transformers y LLMs
- Glosario de Voz e IA en tiempo real
- GPU para IA — Módulo 1: qué es una GPU y por qué la IA la necesita
- GPU para IA — Módulo 10: GPUs en la nube, el mapa completo
- GPU para IA — Módulo 11: desplegar tu servicio en la nube
- GPU para IA — Módulo 12: producción, costos y decisiones
- GPU para IA — Módulo 2: VRAM, la memoria manda
- GPU para IA — Módulo 3: CUDA y el stack de software
- GPU para IA — Módulo 4: precisión y cuantización
- GPU para IA — Módulo 5: tu primer LLM local con Ollama
- GPU para IA — Módulo 6: llama.cpp a fondo
- GPU para IA — Módulo 7: vLLM y el serving de producción
- GPU para IA — Módulo 8: más allá del LLM — embeddings, voz e imágenes
- GPU para IA — Módulo 9: la arquitectura local completa
- LangGraph — Módulo 1: qué es y por qué existe
- LangGraph — Módulo 10: memoria de largo plazo con Store
- LangGraph — Módulo 11: a producción
- LangGraph — Módulo 12: patrones avanzados
- LangGraph — Módulo 2: tu primer grafo
- LangGraph — Módulo 3: el estado y los reducers
- LangGraph — Módulo 4: ramificación y routing
- LangGraph — Módulo 5: tools y el patrón ReAct
- LangGraph — Módulo 6: persistencia y memoria de corto plazo
- LangGraph — Módulo 7: human-in-the-loop
- LangGraph — Módulo 8: streaming y observabilidad
- LangGraph — Módulo 9: sistemas multi-agente
- Machine Learning — Módulo 1: qué es Machine Learning y cuándo usarlo
- Machine Learning — Módulo 10: aprendizaje no supervisado — clustering y PCA
- Machine Learning — Módulo 11: problemas del mundo real — desbalance, interpretabilidad y sesgo
- Machine Learning — Módulo 12: del notebook a producción
- Machine Learning — Módulo 2: los datos y el análisis exploratorio (EDA)
- Machine Learning — Módulo 3: tu primer modelo — regresión lineal y logística
- Machine Learning — Módulo 4: evaluar un modelo — las métricas que importan
- Machine Learning — Módulo 5: árboles de decisión
- Machine Learning — Módulo 6: Random Forest — la sabiduría de muchos árboles
- Machine Learning — Módulo 7: Gradient Boosting — XGBoost y LightGBM, el caballo de batalla
- Machine Learning — Módulo 8: feature engineering y pipelines — donde se gana de verdad
- Machine Learning — Módulo 9: validación y tuning — elegir bien sin autoengañarse
- MCP: qué es, cómo probarlo y cómo hacerlo seguro
- Memoria de agentes: corto plazo, largo plazo y métodos
- MLOps — Módulo 1: qué es MLOps y por qué
- MLOps — Módulo 10: drift — por qué el modelo se pudre solo
- MLOps — Módulo 11: reentrenamiento — cerrar el loop
- MLOps — Módulo 12: gobernanza y madurez — el MLOps de una organización
- MLOps — Módulo 2: reproducibilidad — versionar datos y no solo código
- MLOps — Módulo 3: experiment tracking — no pierdas qué funcionó
- MLOps — Módulo 4: model registry — del experimento al modelo oficial
- MLOps — Módulo 5: pipelines de entrenamiento — automatizar el ciclo
- MLOps — Módulo 6: feature stores — features consistentes entre train y prod
- MLOps — Módulo 7: CI/CD/CT para ML — testear datos y modelos, no solo código
- MLOps — Módulo 8: serving de modelos — batch vs online
- MLOps — Módulo 9: monitoreo de modelos — lo que no ves te degrada
- OpenClaw y Hermes: arquitectura de harnesses de agentes
- Parámetros de modelos: temperatura, top_p y su reemplazo
- Pesos, parámetros y modelos open weight: qué significan
- Producto de IA — Módulo 1: ¿es esto un problema de IA?
- Producto de IA — Módulo 10: riesgo, cumplimiento e IA responsable
- Producto de IA — Módulo 11: lanzamiento y adopción
- Producto de IA — Módulo 12: operar y evolucionar
- Producto de IA — Módulo 2: del caso de uso al business case
- Producto de IA — Módulo 3: viabilidad — datos y factibilidad técnica
- Producto de IA — Módulo 4: build vs buy vs API
- Producto de IA — Módulo 5: el roadmap de un producto de IA
- Producto de IA — Módulo 6: priorización — decidir qué NO hacer
- Producto de IA — Módulo 7: métricas y KPI
- Producto de IA — Módulo 8: presupuesto y FinOps de IA
- Producto de IA — Módulo 9: equipo y modelo operativo
- Qué modelo de IA usar y cuánto cuesta en 2026
- Qué significa ser una empresa AI-first: definición, requisitos y hoja de ruta
- RAG — Módulo 1: ¿por qué RAG? El problema y la anatomía del pipeline
- RAG — Módulo 10: evaluación, medir el RAG en vez de adivinar
- RAG — Módulo 11: RAG avanzado, las técnicas que sí mueven la aguja
- RAG — Módulo 12: RAG en producción, arquitectura, seguridad, costo y checklist
- RAG — Módulo 2: ingesta y parsing, el eslabón que todos subestiman
- RAG — Módulo 3: chunking, cómo cortar los documentos
- RAG — Módulo 4: embeddings e indexación — el mapa del significado
- RAG — Módulo 5: búsqueda vectorial y bases de datos vectoriales
- RAG — Módulo 6: BM25 y búsqueda léxica — por qué el viejo buscador sigue ganando
- RAG — Módulo 7: búsqueda híbrida, juntar BM25 y vectores sin romper nada
- RAG — Módulo 8: rerankers, la etapa que más calidad da por dólar
- RAG — Módulo 9: generación, el prompt, las citas y cómo no alucinar
- Razonamiento y RL — Módulo 1: qué es el aprendizaje por refuerzo
- Razonamiento y RL — Módulo 10: entrenar un modelo de razonamiento
- Razonamiento y RL — Módulo 11: recompensas, verificadores y reward hacking
- Razonamiento y RL — Módulo 12: del laboratorio al producto
- Razonamiento y RL — Módulo 2: valor, política y la ecuación de Bellman
- Razonamiento y RL — Módulo 3: de Q-learning a Deep RL
- Razonamiento y RL — Módulo 4: policy gradients y REINFORCE
- Razonamiento y RL — Módulo 5: actor-critic y PPO
- Razonamiento y RL — Módulo 6: RLHF por dentro
- Razonamiento y RL — Módulo 7: más allá de PPO — DPO, GRPO y familia
- Razonamiento y RL — Módulo 8: por qué un LLM 'razona'
- Razonamiento y RL — Módulo 9: test-time compute y el escalado de la inferencia
- ReAct y las arquitecturas de agentes: qué usar y cuándo
- Redes Neuronales — Módulo 1: la neurona artificial — del cerebro a la matemática
- Redes Neuronales — Módulo 10: embeddings y representaciones aprendidas
- Redes Neuronales — Módulo 11: de redes a secuencias — RNN y por qué llegó la atención
- Redes Neuronales — Módulo 12: el mapa completo — dónde encaja cada arquitectura
- Redes Neuronales — Módulo 2: funciones de activación — por qué hace falta la no-linealidad
- Redes Neuronales — Módulo 3: la red feed-forward — de una neurona a una red (MLP)
- Redes Neuronales — Módulo 4: cómo aprende una red I — función de pérdida y descenso de gradiente
- Redes Neuronales — Módulo 5: backpropagation — el motor que hace posible el aprendizaje
- Redes Neuronales — Módulo 6: entrenar en la práctica — épocas, batches, learning rate y optimizers
- Redes Neuronales — Módulo 7: overfitting y regularización — que la red generalice, no memorice
- Redes Neuronales — Módulo 8: tu primera red en PyTorch, de principio a fin
- Redes Neuronales — Módulo 9: por qué profundas — deep learning y sus obstáculos
- Seguridad de IA — Módulo 1: el modelo de amenazas de un sistema con IA
- Seguridad de IA — Módulo 10: secretos, sandboxing y ejecución de código
- Seguridad de IA — Módulo 11: red teaming ofensivo y automatizado
- Seguridad de IA — Módulo 12: del incidente a la gobernanza
- Seguridad de IA — Módulo 2: el OWASP Top 10 para aplicaciones LLM
- Seguridad de IA — Módulo 3: prompt injection a fondo — el pecado original del LLM
- Seguridad de IA — Módulo 4: jailbreaks y evasión de políticas
- Seguridad de IA — Módulo 5: seguridad de agentes con herramientas
- Seguridad de IA — Módulo 6: guardrails — la capa de defensa fuera del modelo
- Seguridad de IA — Módulo 7: datos, privacidad y PII
- Seguridad de IA — Módulo 8: seguridad de RAG y datos no confiables
- Seguridad de IA — Módulo 9: supply chain — modelos, pesos y dependencias
- Sistemas agénticos autónomos: el playbook 2026 en Chile
- Transformers — Módulo 1: del texto a números — tokenización y embeddings
- Transformers — Módulo 10: contexto largo, KV cache y FlashAttention
- Transformers — Módulo 11: variantes modernas — Mixture of Experts y eficiencia
- Transformers — Módulo 12: del modelo al producto — escalado, límites y hacia dónde va
- Transformers — Módulo 2: el mecanismo de atención, desde cero
- Transformers — Módulo 3: multi-head attention — varias miradas a la vez
- Transformers — Módulo 4: la arquitectura completa — el bloque Transformer
- Transformers — Módulo 5: del Transformer al GPT — decoder-only y generación autoregresiva
- Transformers — Módulo 6: pretraining — aprender el lenguaje prediciendo la siguiente palabra
- Transformers — Módulo 7: fine-tuning e instruction tuning — de GPT a ChatGPT
- Transformers — Módulo 8: RLHF y alineamiento — cómo el modelo se vuelve útil y seguro
- Transformers — Módulo 9: decodificación — de los logits al texto (temperature, top-p, beam)
- Tutorial: Crea tu cuenta en Railway conectada a GitHub
- Tutorial: Prepara tu GitHub para el workshop de Claude Code
- Voz e IA — Módulo 1: cómo oye una máquina — del sonido a los números
- Voz e IA — Módulo 10: telefonía y el mundo real
- Voz e IA — Módulo 11: evaluar un sistema de voz
- Voz e IA — Módulo 12: voz en producción
- Voz e IA — Módulo 2: reconocimiento de voz (ASR) — de audio a texto
- Voz e IA — Módulo 3: Whisper en la práctica
- Voz e IA — Módulo 4: síntesis de voz (TTS) — de texto a audio
- Voz e IA — Módulo 5: latencia — el enemigo de una conversación
- Voz e IA — Módulo 6: streaming — ASR y TTS en tiempo real
- Voz e IA — Módulo 7: VAD y turn-taking — saber cuándo hablar
- Voz e IA — Módulo 8: la arquitectura de un agente de voz
- Voz e IA — Módulo 9: modelos speech-to-speech y realtime APIs
Ningún título coincide. Prueba la búsqueda del material (más abajo), que también revisa descripciones y tags.
◉ Material de la comunidad
Fundamentos
9Cómo funciona realmente la IA generativa (sin magia ni humo)
El mejor punto de partida para entender la IA moderna: de las reglas rígidas al deep learning, redes neuronales, Transformers y atención, capacidades emergentes, alucinaciones y el rol de las GPU. Video del canal Cómo Funciona Todo.
Pesos, parámetros y modelos open weight: qué significan
Qué es un peso dentro de una red neuronal, por qué se dice que 'lo que importa son los pesos', y qué significa que un modelo sea open weight: la diferencia entre modelos cerrados (GPT-4, Claude), open weight (Llama, Mistral, Qwen) y open source de verdad, con lo que implica cada uno en control, privacidad, costo y seguridad.
Qué modelo de IA usar y cuánto cuesta en 2026
Guía para principiantes: qué modelos existen, para qué sirve cada uno, cuál elegir según la actividad, y cómo funciona el consumo — tokens, costo por llamada y trucos para gastar menos sin perder calidad. Precios de septiembre 2026.
Cómo escribir buenos prompts (de cero a intermedio)
Guía práctica para redactar prompts claros y profesionales para agentes y asistentes de IA: anatomía de un prompt de sistema, las 7 reglas de oro, técnicas intermedias, errores comunes, checklist y plantilla lista para copiar. No necesitas saber programar.
Embeddings y RAG: buscar en tus propios documentos
Qué es un embedding y cómo se usa en RAG, explicado en simple y con diagramas: el mapa del significado, cómo la IA responde con tus documentos, los dos modelos que participan, precios reales de septiembre 2026 y buenas prácticas para partir.
Cómo funciona un agente: herramientas, loop y harness
Qué convierte a un LLM en un agente: las herramientas (tool use), el loop razonar-actuar-observar y el harness — la arquitectura de tools, contexto, memoria, seguridad, gobernanza, errores y observabilidad donde ocurre la ingeniería real.
¿Chatbot, workflow o agente? Cuándo usar cada uno
El marco de decisión para elegir el nivel correcto de autonomía: llamada única, workflow orquestado por código o agente que decide su camino. Con los cuatro criterios que justifican un agente, tabla de decisión por caso de uso y los antipatrones más caros.
MCP: qué es, cómo probarlo y cómo hacerlo seguro
El Model Context Protocol explicado en simple pero profesional: qué problema resuelve, cómo funciona la conexión, cómo probar un servidor MCP en local, seguridad en profundidad (tool poisoning, scopes, supply chain), cuándo NO usar MCP y cómo gobernarlo en enterprise.
Memoria de agentes: corto plazo, largo plazo y métodos
Cómo recuerda un agente: estrategias de corto plazo (ventana, presupuesto, resumen), el puente de promoción a largo plazo, los tres métodos de memoria persistente (vectorial, archivos, grafos), tipos de memoria, contradicciones, olvido y la seguridad de lo que se recuerda.
Parámetros de modelos: temperatura, top_p y su reemplazo
Qué hacían la temperatura, top_p y top_k, cómo se usaban antes y qué los reemplazó: reasoning_effort y verbosity en OpenAI, thinking adaptativo y effort en Anthropic, thinking_level en Gemini. Con tabla de equivalencias y guía práctica por caso de uso.
Cómo crear buenos skills para tu agente de IA
Guía práctica de Agent Skills: qué son, cuándo crear uno, la anatomía de un SKILL.md, las reglas de oro, técnicas intermedias, errores comunes, checklist y plantilla lista para copiar. El paso siguiente después de dominar los prompts.
Cursos
0 Flujos Agénticos con AgentInTheLoop
Orquesta agentes que actúan con AgentInTheLoop, de los fundamentos a los patrones aplicados.
Ver los 2 capítulos
Cómo funciona un agente de IA por dentro
Primera clase de la serie, desde cero: qué es un LLM, el espectro chatbot → agente autónomo, las 7 capas del harness y un caso real con 42 tools en producción. La tesis de salida: Arquitectura > Modelo.
Ver los 4 capítulos
Curso completo de LangGraph
Construye agentes como grafos de estado en código: del primer nodo a sistemas multi-agente en producción.
Ver los 12 capítulos
- 1 LangGraph — Módulo 1: qué es y por qué existe
- 2 LangGraph — Módulo 2: tu primer grafo
- 3 LangGraph — Módulo 3: el estado y los reducers
- 4 LangGraph — Módulo 4: ramificación y routing
- 5 LangGraph — Módulo 5: tools y el patrón ReAct
- 6 LangGraph — Módulo 6: persistencia y memoria de corto plazo
- 7 LangGraph — Módulo 7: human-in-the-loop
- 8 LangGraph — Módulo 8: streaming y observabilidad
- 9 LangGraph — Módulo 9: sistemas multi-agente
- 10 LangGraph — Módulo 10: memoria de largo plazo con Store
- 11 LangGraph — Módulo 11: a producción
- 12 LangGraph — Módulo 12: patrones avanzados
Curso de GPU para IA
Del hardware a tu propia infraestructura de IA: VRAM, cuantización, y correr modelos en local y en la nube.
Ver los 12 capítulos
- 1 GPU para IA — Módulo 1: qué es una GPU y por qué la IA la necesita
- 2 GPU para IA — Módulo 2: VRAM, la memoria manda
- 3 GPU para IA — Módulo 3: CUDA y el stack de software
- 4 GPU para IA — Módulo 4: precisión y cuantización
- 5 GPU para IA — Módulo 5: tu primer LLM local con Ollama
- 6 GPU para IA — Módulo 6: llama.cpp a fondo
- 7 GPU para IA — Módulo 7: vLLM y el serving de producción
- 8 GPU para IA — Módulo 8: más allá del LLM — embeddings, voz e imágenes
- 9 GPU para IA — Módulo 9: la arquitectura local completa
- 10 GPU para IA — Módulo 10: GPUs en la nube, el mapa completo
- 11 GPU para IA — Módulo 11: desplegar tu servicio en la nube
- 12 GPU para IA — Módulo 12: producción, costos y decisiones
Curso de Redes Neuronales
Primer módulo del Curso de Redes Neuronales, desde cero: la analogía con la neurona biológica y su versión matemática — entradas por pesos, más un bias, pasando por una función — el perceptrón como ladrillo original y por qué solito no puede aprender XOR.
Ver los 12 capítulos
- 1 Redes Neuronales — Módulo 1: la neurona artificial — del cerebro a la matemática
- 2 Redes Neuronales — Módulo 2: funciones de activación — por qué hace falta la no-linealidad
- 3 Redes Neuronales — Módulo 3: la red feed-forward — de una neurona a una red (MLP)
- 4 Redes Neuronales — Módulo 4: cómo aprende una red I — función de pérdida y descenso de gradiente
- 5 Redes Neuronales — Módulo 5: backpropagation — el motor que hace posible el aprendizaje
- 6 Redes Neuronales — Módulo 6: entrenar en la práctica — épocas, batches, learning rate y optimizers
- 7 Redes Neuronales — Módulo 7: overfitting y regularización — que la red generalice, no memorice
- 8 Redes Neuronales — Módulo 8: tu primera red en PyTorch, de principio a fin
- 9 Redes Neuronales — Módulo 9: por qué profundas — deep learning y sus obstáculos
- 10 Redes Neuronales — Módulo 10: embeddings y representaciones aprendidas
- 11 Redes Neuronales — Módulo 11: de redes a secuencias — RNN y por qué llegó la atención
- 12 Redes Neuronales — Módulo 12: el mapa completo — dónde encaja cada arquitectura
Curso de Transformers
Primer módulo del Curso de Transformers, desde cero: cómo un texto se convierte en números que una red neuronal puede procesar. Tokenización subword con BPE, el vocabulario y los token IDs, la matriz de embeddings donde los significados parecidos quedan cerca, y por qué al Transformer todavía le falta la noción de orden.
Ver los 12 capítulos
- 1 Transformers — Módulo 1: del texto a números — tokenización y embeddings
- 2 Transformers — Módulo 2: el mecanismo de atención, desde cero
- 3 Transformers — Módulo 3: multi-head attention — varias miradas a la vez
- 4 Transformers — Módulo 4: la arquitectura completa — el bloque Transformer
- 5 Transformers — Módulo 5: del Transformer al GPT — decoder-only y generación autoregresiva
- 6 Transformers — Módulo 6: pretraining — aprender el lenguaje prediciendo la siguiente palabra
- 7 Transformers — Módulo 7: fine-tuning e instruction tuning — de GPT a ChatGPT
- 8 Transformers — Módulo 8: RLHF y alineamiento — cómo el modelo se vuelve útil y seguro
- 9 Transformers — Módulo 9: decodificación — de los logits al texto (temperature, top-p, beam)
- 10 Transformers — Módulo 10: contexto largo, KV cache y FlashAttention
- 11 Transformers — Módulo 11: variantes modernas — Mixture of Experts y eficiencia
- 12 Transformers — Módulo 12: del modelo al producto — escalado, límites y hacia dónde va
Curso de generación de imágenes
Primer módulo del curso de generación de imágenes, desde cero: qué es realmente una imagen para un computador, cómo una grilla de píxeles RGB se convierte en un tensor, por qué una red totalmente conectada fracasa con imágenes, y el mapa de las tareas de visión por computador.
Ver los 12 capítulos
- 1 Generación de imágenes — Módulo 1: cómo ve una máquina — de píxeles a tensores
- 2 Generación de imágenes — Módulo 2: la convolución — filtros que detectan patrones
- 3 Generación de imágenes — Módulo 3: la arquitectura CNN — de bordes a objetos
- 4 Generación de imágenes — Módulo 4: entrenar una CNN — data augmentation y transfer learning
- 5 Generación de imágenes — Módulo 5: autoencoders y VAE — el primer modelo que genera
- 6 Generación de imágenes — Módulo 6: GANs — el duelo entre generador y discriminador
- 7 Generación de imágenes — Módulo 7: del pixel-space al latent-space — por qué generar en pequeño
- 8 Generación de imágenes — Módulo 8: modelos de difusión — agregar y quitar ruido
- 9 Generación de imágenes — Módulo 9: Stable Diffusion por dentro — U-Net, latent diffusion y CLIP
- 10 Generación de imágenes — Módulo 10: de CNN a Vision Transformer (ViT) — la atención llega a la visión
- 11 Generación de imágenes — Módulo 11: multimodal — cómo ven los LLM
- 12 Generación de imágenes — Módulo 12: práctica, producción, límites y ética
Curso de Deploy de Agentes
Primer módulo del Curso de Deploy de Agentes: la diferencia entre un prototipo que corre en tu notebook y un producto en producción, los cuatro ejes de un agente real — fiabilidad, costo, seguridad y observabilidad — y el mapa completo del pipeline de una empresa, de Git al rollout.
Ver los 14 capítulos
- 1 Deploy de Agentes — Módulo 1: qué cambia en producción
- 2 Deploy de Agentes — Módulo 2: Git esencial — los comandos del día a día
- 3 Deploy de Agentes — Módulo 3: convenciones de equipo — ramas, commits y PRs como en la empresa
- 4 Deploy de Agentes — Módulo 4: estructura del proyecto, entornos y secretos
- 5 Deploy de Agentes — Módulo 5: contenerización — Docker para tu agente
- 6 Deploy de Agentes — Módulo 6: testing de agentes I — unit tests y mockear el LLM
- 7 Deploy de Agentes — Módulo 7: testing de agentes II — evals como tests que bloquean el deploy
- 8 Deploy de Agentes — Módulo 8: CI con GitHub Actions — automatizar los checks
- 9 Deploy de Agentes — Módulo 9: GitHub a nivel enterprise — checks obligatorios y evaluación de brechas
- 10 Deploy de Agentes — Módulo 10: Terraform desde cero — infraestructura como código
- 11 Deploy de Agentes — Módulo 11: deploy end-to-end en GCP con Terraform y GitHub Actions
- 12 Deploy de Agentes — Módulo 12: Railway y la comparación de plataformas
- 13 Deploy de Agentes — Módulo 13: observabilidad y seguridad en producción
- 14 Deploy de Agentes — Módulo 14: rollout y confiabilidad
Curso de Machine Learning
Primer módulo del Curso de Machine Learning clásico, desde cero: la diferencia entre programar reglas a mano y dejar que un modelo las aprenda de datos, los tipos de aprendizaje (supervisado, no supervisado, refuerzo), regresión vs clasificación, el flujo de un proyecto real y cuándo NO conviene usar ML.
Ver los 12 capítulos
- 1 Machine Learning — Módulo 1: qué es Machine Learning y cuándo usarlo
- 2 Machine Learning — Módulo 2: los datos y el análisis exploratorio (EDA)
- 3 Machine Learning — Módulo 3: tu primer modelo — regresión lineal y logística
- 4 Machine Learning — Módulo 4: evaluar un modelo — las métricas que importan
- 5 Machine Learning — Módulo 5: árboles de decisión
- 6 Machine Learning — Módulo 6: Random Forest — la sabiduría de muchos árboles
- 7 Machine Learning — Módulo 7: Gradient Boosting — XGBoost y LightGBM, el caballo de batalla
- 8 Machine Learning — Módulo 8: feature engineering y pipelines — donde se gana de verdad
- 9 Machine Learning — Módulo 9: validación y tuning — elegir bien sin autoengañarse
- 10 Machine Learning — Módulo 10: aprendizaje no supervisado — clustering y PCA
- 11 Machine Learning — Módulo 11: problemas del mundo real — desbalance, interpretabilidad y sesgo
- 12 Machine Learning — Módulo 12: del notebook a producción
Curso de MLOps
Primer módulo del Curso de MLOps: por qué la mayoría de los modelos muere en el notebook o se degrada en producción, en qué se diferencia un modelo de ML del software tradicional, el ciclo de vida completo como loop cerrado y cómo se distingue de DevOps y LLMOps.
Ver los 12 capítulos
- 1 MLOps — Módulo 1: qué es MLOps y por qué
- 2 MLOps — Módulo 2: reproducibilidad — versionar datos y no solo código
- 3 MLOps — Módulo 3: experiment tracking — no pierdas qué funcionó
- 4 MLOps — Módulo 4: model registry — del experimento al modelo oficial
- 5 MLOps — Módulo 5: pipelines de entrenamiento — automatizar el ciclo
- 6 MLOps — Módulo 6: feature stores — features consistentes entre train y prod
- 7 MLOps — Módulo 7: CI/CD/CT para ML — testear datos y modelos, no solo código
- 8 MLOps — Módulo 8: serving de modelos — batch vs online
- 9 MLOps — Módulo 9: monitoreo de modelos — lo que no ves te degrada
- 10 MLOps — Módulo 10: drift — por qué el modelo se pudre solo
- 11 MLOps — Módulo 11: reentrenamiento — cerrar el loop
- 12 MLOps — Módulo 12: gobernanza y madurez — el MLOps de una organización
Curso de RAG
Primer módulo del Curso de RAG: por qué un LLM solo no responde sobre tus documentos, qué resuelve RAG que no resuelven el fine-tuning ni el contexto largo, el pipeline en dos tiempos (indexación y consulta) y un RAG mínimo en 40 líneas de Python.
Ver los 12 capítulos
- 1 RAG — Módulo 1: ¿por qué RAG? El problema y la anatomía del pipeline
- 2 RAG — Módulo 2: ingesta y parsing, el eslabón que todos subestiman
- 3 RAG — Módulo 3: chunking, cómo cortar los documentos
- 4 RAG — Módulo 4: embeddings e indexación — el mapa del significado
- 5 RAG — Módulo 5: búsqueda vectorial y bases de datos vectoriales
- 6 RAG — Módulo 6: BM25 y búsqueda léxica — por qué el viejo buscador sigue ganando
- 7 RAG — Módulo 7: búsqueda híbrida, juntar BM25 y vectores sin romper nada
- 8 RAG — Módulo 8: rerankers, la etapa que más calidad da por dólar
- 9 RAG — Módulo 9: generación, el prompt, las citas y cómo no alucinar
- 10 RAG — Módulo 10: evaluación, medir el RAG en vez de adivinar
- 11 RAG — Módulo 11: RAG avanzado, las técnicas que sí mueven la aguja
- 12 RAG — Módulo 12: RAG en producción, arquitectura, seguridad, costo y checklist
Curso de Fine-tuning
Primer módulo del Curso de Fine-tuning práctico: la escalera de decisión que va de prompt a few-shot, RAG, fine-tuning y continued pretraining. Qué cosas sí aprende un fine-tune (formato, estilo, tarea estrecha, jerga, ahorro de tokens, destilación) y qué cosas no (conocimiento fresco). La cuenta de costo/beneficio antes de tocar una GPU.
Ver los 13 capítulos
- 1 Fine-tuning — Módulo 1: cuándo hacer fine-tuning y cuándo no
- 2 Fine-tuning — Módulo 2: el dataset es el modelo
- 3 Fine-tuning — Módulo 3: chat templates, tokens especiales y loss masking
- 4 Fine-tuning — Módulo 4: elegir el modelo base y el hardware
- 5 Fine-tuning — Módulo 5: LoRA y QLoRA a fondo
- 6 Fine-tuning — Módulo 6: tu primer SFT completo, de punta a punta
- 7 Fine-tuning — Módulo 7: hiperparámetros y cómo leer las curvas
- 8 Fine-tuning — Módulo 8: evaluar si de verdad sirvió
- 9 Fine-tuning — Módulo 9: preferencias y DPO en la práctica
- 10 Fine-tuning — Módulo 10: mergear, cuantizar y servir el modelo
- 11 Fine-tuning — Módulo 11: destilación, continued pretraining y otras técnicas
- 12 Fine-tuning — Módulo 12: el fine-tuning en producción
- 13 Fine-tuning — Módulo 13: entrenar tus propios embeddings y rerankers
Curso de Evals
Primer módulo del Curso de Evals: por qué el test determinista se rompe cuando la salida es lenguaje, la diferencia entre test y eval, y la distinción que todo el mundo confunde entre eval, benchmark, monitoreo y observabilidad. Los dos momentos de evaluar y el costo real de no hacerlo.
Ver los 12 capítulos
- 1 Evals — Módulo 1: por qué un sistema con LLM no se prueba como software
- 2 Evals — Módulo 2: traducir «que funcione bien» a algo medible
- 3 Evals — Módulo 3: el primer eval, sin gastar un token
- 4 Evals — Módulo 4: el juez que también hay que evaluar
- 5 Evals — Módulo 5: evaluar el camino, no solo la respuesta
- 6 Evals — Módulo 6: evaluar el uso de herramientas
- 7 Evals — Módulo 7: evaluar conversaciones con un usuario simulado
- 8 Evals — Módulo 8: cuándo un número es señal y cuándo es ruido
- 9 Evals — Módulo 9: red teaming — la suite adversarial que corre siempre
- 10 Evals — Módulo 10: montar el stack de evals de verdad
- 11 Evals — Módulo 11: evaluar en producción, con tráfico real
- 12 Evals — Módulo 12: hacer que el programa sobreviva al primer trimestre
Curso de Seguridad de IA
Primer módulo del Curso de Seguridad de IA: por qué asegurar un sistema con LLM es distinto de asegurar software clásico. La superficie de ataque de un agente, la línea que se borra entre datos e instrucciones, el modelado de amenazas aplicado a IA y el mapa del curso completo.
Ver los 12 capítulos
- 1 Seguridad de IA — Módulo 1: el modelo de amenazas de un sistema con IA
- 2 Seguridad de IA — Módulo 2: el OWASP Top 10 para aplicaciones LLM
- 3 Seguridad de IA — Módulo 3: prompt injection a fondo — el pecado original del LLM
- 4 Seguridad de IA — Módulo 4: jailbreaks y evasión de políticas
- 5 Seguridad de IA — Módulo 5: seguridad de agentes con herramientas
- 6 Seguridad de IA — Módulo 6: guardrails — la capa de defensa fuera del modelo
- 7 Seguridad de IA — Módulo 7: datos, privacidad y PII
- 8 Seguridad de IA — Módulo 8: seguridad de RAG y datos no confiables
- 9 Seguridad de IA — Módulo 9: supply chain — modelos, pesos y dependencias
- 10 Seguridad de IA — Módulo 10: secretos, sandboxing y ejecución de código
- 11 Seguridad de IA — Módulo 11: red teaming ofensivo y automatizado
- 12 Seguridad de IA — Módulo 12: del incidente a la gobernanza
Curso de Razonamiento y RL
Primer módulo del Curso de Razonamiento y RL: el paradigma donde un agente aprende de las consecuencias de sus acciones, no de ejemplos etiquetados. Agente, entorno, recompensa y el proceso de decisión de Markov; en qué se diferencia del aprendizaje supervisado; y por qué este marco es el que está detrás del RLHF y de los modelos que razonan.
Ver los 12 capítulos
- 1 Razonamiento y RL — Módulo 1: qué es el aprendizaje por refuerzo
- 2 Razonamiento y RL — Módulo 2: valor, política y la ecuación de Bellman
- 3 Razonamiento y RL — Módulo 3: de Q-learning a Deep RL
- 4 Razonamiento y RL — Módulo 4: policy gradients y REINFORCE
- 5 Razonamiento y RL — Módulo 5: actor-critic y PPO
- 6 Razonamiento y RL — Módulo 6: RLHF por dentro
- 7 Razonamiento y RL — Módulo 7: más allá de PPO — DPO, GRPO y familia
- 8 Razonamiento y RL — Módulo 8: por qué un LLM 'razona'
- 9 Razonamiento y RL — Módulo 9: test-time compute y el escalado de la inferencia
- 10 Razonamiento y RL — Módulo 10: entrenar un modelo de razonamiento
- 11 Razonamiento y RL — Módulo 11: recompensas, verificadores y reward hacking
- 12 Razonamiento y RL — Módulo 12: del laboratorio al producto
Curso de Voz e IA en tiempo real
Primer módulo del Curso de Voz e IA en tiempo real: qué es realmente el sonido para un computador. La onda de presión, el muestreo y la frecuencia de sampleo, la cuantización, del waveform al espectrograma y al mel-espectrograma, y el mapa completo de las tareas de voz que construiremos en el curso.
Ver los 12 capítulos
- 1 Voz e IA — Módulo 1: cómo oye una máquina — del sonido a los números
- 2 Voz e IA — Módulo 2: reconocimiento de voz (ASR) — de audio a texto
- 3 Voz e IA — Módulo 3: Whisper en la práctica
- 4 Voz e IA — Módulo 4: síntesis de voz (TTS) — de texto a audio
- 5 Voz e IA — Módulo 5: latencia — el enemigo de una conversación
- 6 Voz e IA — Módulo 6: streaming — ASR y TTS en tiempo real
- 7 Voz e IA — Módulo 7: VAD y turn-taking — saber cuándo hablar
- 8 Voz e IA — Módulo 8: la arquitectura de un agente de voz
- 9 Voz e IA — Módulo 9: modelos speech-to-speech y realtime APIs
- 10 Voz e IA — Módulo 10: telefonía y el mundo real
- 11 Voz e IA — Módulo 11: evaluar un sistema de voz
- 12 Voz e IA — Módulo 12: voz en producción
Curso de Producto y Gestión de IA
Primer módulo del Curso de Producto y Gestión de IA: la pregunta que se salta casi todo el mundo. Cómo enmarcar un caso de uso, distinguir el problema de la solución, cuándo la IA es la herramienta correcta y cuándo es un martillo buscando clavos, y el mapa completo de lo que significa ser dueño de un producto de IA.
Ver los 12 capítulos
- 1 Producto de IA — Módulo 1: ¿es esto un problema de IA?
- 2 Producto de IA — Módulo 2: del caso de uso al business case
- 3 Producto de IA — Módulo 3: viabilidad — datos y factibilidad técnica
- 4 Producto de IA — Módulo 4: build vs buy vs API
- 5 Producto de IA — Módulo 5: el roadmap de un producto de IA
- 6 Producto de IA — Módulo 6: priorización — decidir qué NO hacer
- 7 Producto de IA — Módulo 7: métricas y KPI
- 8 Producto de IA — Módulo 8: presupuesto y FinOps de IA
- 9 Producto de IA — Módulo 9: equipo y modelo operativo
- 10 Producto de IA — Módulo 10: riesgo, cumplimiento e IA responsable
- 11 Producto de IA — Módulo 11: lanzamiento y adopción
- 12 Producto de IA — Módulo 12: operar y evolucionar
Metodología de casos de uso de IA
Primer módulo de la Metodología de casos de uso: por qué tantos pilotos de IA no muestran impacto medible, la metodología de 7 pasos para levantar un caso que se sostiene, y la distinción que ordena todo lo demás — automatizar un flujo que ya existe vs. crear una capacidad que no existía. Cada arquetipo se mide, se costea y se arriesga distinto.
Ver los 8 capítulos
- 1 Casos de uso de IA — Módulo 1: los dos arquetipos
- 2 Casos de uso de IA — Módulo 2: descubrir y calificar
- 3 Casos de uso de IA — Módulo 3: el baseline
- 4 Casos de uso de IA — Módulo 4: la economía de la IA
- 5 Casos de uso de IA — Módulo 5: TCO y el método AWS
- 6 Casos de uso de IA — Módulo 6: la landing zone de IA
- 7 Casos de uso de IA — Módulo 7: ROI y medición
- 8 Casos de uso de IA — Módulo 8: riesgos, gates y el pitch
Curso de Arquitectura AWS para Agentes de IA
Primer módulo del curso de arquitectura AWS para agentes de IA: el modelo mental antes que los servicios — cuentas como unidad de aislamiento, Organizations y la landing zone, regiones y zonas de disponibilidad, responsabilidad compartida, y por qué la arquitectura de un agente autónomo empieza por decidir dónde vive, no qué servicios usa.
Ver los 12 capítulos
- 1 Arquitectura AWS — Módulo 1: el mapa de AWS
- 2 Arquitectura AWS — Módulo 2: identidad, IAM y el agente como principal
- 3 Arquitectura AWS — Módulo 3: cómputo para agentes
- 4 Arquitectura AWS — Módulo 4: redes, la VPC del agente
- 5 Arquitectura AWS — Módulo 5: microservicios y APIs
- 6 Arquitectura AWS — Módulo 6: estado y datos del agente
- 7 Arquitectura AWS — Módulo 7: el LLM gateway y Bedrock
- 8 Arquitectura AWS — Módulo 8: FinOps de la plataforma
- 9 Arquitectura AWS — Módulo 9: AgentCore y los agentes administrados
- 10 Arquitectura AWS — Módulo 10: seguridad de la plataforma
- 11 Arquitectura AWS — Módulo 11: operación autónoma
- 12 Arquitectura AWS — Módulo 12: la arquitectura de referencia
Curso de Arquitectura GCP para Agentes de IA
Primer módulo del curso de arquitectura GCP para agentes de IA: el proyecto como unidad de todo (y por qué NO es la cuenta de AWS con otro nombre), la jerarquía organización-carpetas-proyectos, las APIs que se habilitan por proyecto, y qué cambia de verdad al cruzar desde AWS. Segundo curso de la serie de nubes: los conceptos ya los tienes — aquí va el dialecto.
Ver los 12 capítulos
- 1 Arquitectura GCP — Módulo 1: el mapa de GCP
- 2 Arquitectura GCP — Módulo 2: identidad y service accounts
- 3 Arquitectura GCP — Módulo 3: cómputo, Cloud Run como filosofía
- 4 Arquitectura GCP — Módulo 4: redes, la VPC global
- 5 Arquitectura GCP — Módulo 5: integración, Pub/Sub y los despertadores
- 6 Arquitectura GCP — Módulo 6: estado y datos del agente
- 7 Arquitectura GCP — Módulo 7: el LLM gateway y Vertex AI
- 8 Arquitectura GCP — Módulo 8: FinOps de la plataforma
- 9 Arquitectura GCP — Módulo 9: Agent Engine, ADK y el stack de agentes
- 10 Arquitectura GCP — Módulo 10: seguridad de la plataforma
- 11 Arquitectura GCP — Módulo 11: operación autónoma
- 12 Arquitectura GCP — Módulo 12: la arquitectura de referencia
Curso de Arquitectura Azure para Agentes de IA
Primer módulo del curso de arquitectura Azure para agentes de IA — el cierre de la serie de nubes. La diferencia filosófica que ordena todo: en Azure la nube vive dentro del directorio (el tenant de Entra ID), con management groups, suscripciones y resource groups como capas de organización, Azure Policy como techo y el Cloud Adoption Framework como landing zone documentada.
Ver los 12 capítulos
- 1 Arquitectura Azure — Módulo 1: el mapa de Azure
- 2 Arquitectura Azure — Módulo 2: identidad y managed identities
- 3 Arquitectura Azure — Módulo 3: cómputo, Container Apps y Durable Functions
- 4 Arquitectura Azure — Módulo 4: redes, la VNet del agente
- 5 Arquitectura Azure — Módulo 5: integración, Service Bus y los despertadores
- 6 Arquitectura Azure — Módulo 6: estado y datos del agente
- 7 Arquitectura Azure — Módulo 7: el LLM gateway y Microsoft Foundry
- 8 Arquitectura Azure — Módulo 8: FinOps de la plataforma
- 9 Arquitectura Azure — Módulo 9: Foundry Agent Service y el stack de agentes
- 10 Arquitectura Azure — Módulo 10: seguridad de la plataforma
- 11 Arquitectura Azure — Módulo 11: operación autónoma
- 12 Arquitectura Azure — Módulo 12: la arquitectura de referencia y el cierre de la serie
Curso de Data Engineering para IA
Primer módulo del curso de Data Engineering para IA: por qué el modelo es commodity y el pipeline de datos es el foso. La tesis data-centric (mejorar los datos rinde más que mejorar el modelo), qué hace de verdad un data engineer en un equipo de IA, el mapa del curso, y el caso hilo conductor que atraviesa los 12 módulos.
Ver los 12 capítulos
- 1 Data Engineering — Módulo 1: los datos son el 80% del trabajo
- 2 Data Engineering — Módulo 2: el mapa del pipeline
- 3 Data Engineering — Módulo 3: ingesta — batch, streaming y CDC
- 4 Data Engineering — Módulo 4: lake, warehouse y lakehouse
- 5 Data Engineering — Módulo 5: transformación — ELT y dbt
- 6 Data Engineering — Módulo 6: orquestación — Airflow, Dagster y Prefect
- 7 Data Engineering — Módulo 7: calidad y contratos de datos
- 8 Data Engineering — Módulo 8: etiquetado y datos de entrenamiento
- 9 Data Engineering — Módulo 9: datos para LLM
- 10 Data Engineering — Módulo 10: el pipeline de un RAG a escala
- 11 Data Engineering — Módulo 11: features y tiempo real
- 12 Data Engineering — Módulo 12: gobernanza, linaje y costo
Curso de Claude Cowork desde cero
Primer módulo del curso de Claude Cowork desde cero: el salto de conversar con una IA a delegarle trabajo. Qué es Cowork (la pestaña donde Claude deja de aconsejar y empieza a entregar), en qué se diferencia del chat, qué necesitas para usarlo (plan Pro o superior), y el mapa de un curso pensado para profesionales sin una línea de código.
Ver los 10 capítulos
- 1 Claude Cowork — Módulo 1: qué es y por qué cambia tu forma de trabajar
- 2 Claude Cowork — Módulo 2: tu primera tarea
- 3 Claude Cowork — Módulo 3: archivos, carpetas e instrucciones
- 4 Claude Cowork — Módulo 4: conectores y MCP
- 5 Claude Cowork — Módulo 5: skills y plugins
- 6 Claude Cowork — Módulo 6: tareas programadas
- 7 Claude Cowork — Módulo 7: navegador, computador y Dispatch
- 8 Claude Cowork — Módulo 8: memoria y proyectos
- 9 Claude Cowork — Módulo 9: seguridad y buenas prácticas
- 10 Claude Cowork — Módulo 10: flujos reales por rol
Capstone: un agente de soporte de punta a punta
Primera fase del Capstone, el proyecto integrador del catálogo: construir de punta a punta el agente de soporte que la Metodología aprobó. La empresa se revela — Finandes, una financiera regulada —, el dossier del caso se hereda con sus números (12.000 correos/mes, baseline de $0,88, piloto con no-go firmado), y el éxito se convierte en criterios verificables antes de escribir una línea: la fase que casi todos los proyectos se saltan.
Ver los 10 capítulos
- 1 Capstone — Fase 1: el caso y la definición de éxito
- 2 Capstone — Fase 2: el corpus
- 3 Capstone — Fase 3: el prototipo
- 4 Capstone — Fase 4: herramientas y MCP
- 5 Capstone — Fase 5: las evals
- 6 Capstone — Fase 6: endurecer
- 7 Capstone — Fase 7: desplegar
- 8 Capstone — Fase 8: operar
- 9 Capstone — Fase 9: mejorar
- 10 Capstone — Fase 10: presentar (y el cierre del catálogo)
Workshops
0Tutorial: Prepara tu GitHub para el workshop de Claude Code
Video preparatorio paso a paso: crea tu cuenta de GitHub, supera la verificación de identidad y deja listo tu primer repositorio para conectarlo con Claude Code y desplegar en Railway.
Tutorial: Crea tu cuenta en Railway conectada a GitHub
Video preparatorio: registra tu cuenta en Railway vinculada a GitHub en minutos y deja lista la plataforma donde desplegarás las apps del workshop de Claude Code.
Claude Code Workshop for Developers
Workshop técnico: el flujo completo de idea a app en producción con Claude — investigación, briefing, Claude Code, auditoría, deploy en Railway y testing con Claude in Chrome.
Investigaciones
0OpenClaw y Hermes: arquitectura de harnesses de agentes
Resumen arquitectónico de dos harnesses open-source de agentes personales: el Gateway central de OpenClaw versus los profiles auto-mejorables de Hermes. Bucle ReAct, memoria, skills y fronteras de seguridad.
Sistemas agénticos autónomos: el playbook 2026 en Chile
Cómo construir un sistema agéntico autónomo sin estrellarte: arquitectura event-driven con durable execution, comparativa de frameworks, routing de modelos, stack de voz y WhatsApp para Chile con su regulación, costos reales, post-mortems documentados y plan de MVP a producción en 16 semanas.
Evaluación de agentes y flujos LLM: buenas prácticas
Cómo evaluar sistemas basados en LLM de forma seria: LLM-as-Judge, métricas RAGAS, golden datasets, suites de prompt injection, gates de regresión, monitoreo de deriva y el proceso técnico ↔ negocio para validar agentes antes y después de producción.
Qué significa ser una empresa AI-first: definición, requisitos y hoja de ruta
Ser AI-first no es comprar copilots ni licencias: es rediseñar el modelo operativo para que la IA sea el punto de partida de cómo se decide, se produce y se cobra. Informe global con la evidencia dura (BCG, McKinsey, MIT, Stanford), la taxonomía AI-enabled / AI-powered / AI-first / AI-native, los seis requisitos habilitantes, casos y reversiones (DBS, JPMorgan, Klarna, Duolingo) y una hoja de ruta por fases para un futuro Head of AI.
ReAct y las arquitecturas de agentes: qué usar y cuándo
Informe sobre cómo se diseña un agente de IA en 2026: ReAct a fondo (el paper, sus cifras y por qué no se copia literal), las alternativas (CoT, Plan-and-Solve, Reflexion, Tree of Thoughts, Toolformer, RL), RAG y memoria como subsistemas, comparativa de costo y complejidad, seguridad, evaluación con pass^k y un roadmap de prototipo a producción.
Glosarios
0Glosario de conceptos: agentes IA
Los conceptos clave del ecosistema de agentes de IA explicados en simple: LLM, alucinación, system prompt, RAG, embeddings, MCP, harness, HITL, guardrails, skills, prompt injection, memoria, costos, evaluación (LLM-as-Judge, golden dataset, RAGAS, deriva) y más.
Glosario de LangGraph
Todos los términos del Curso completo de LangGraph explicados en simple: grafo, estado, nodo, arista, reducer, StateGraph, checkpointer, ReAct, human-in-the-loop y más. Referencia para cualquier módulo del curso.
Glosario de comandos: Claude Code
Todos los comandos de consola de Claude Code explicados en corto: CLI, flags, slash commands, atajos de teclado, prefijos y modos de permisos. Verificado contra la documentación oficial en septiembre de 2026.
Glosario de GPU e IA local
Los conceptos del hardware y el software de GPU para IA explicados en simple: VRAM, ancho de banda, CUDA, Tensor Cores, memoria unificada, cuantización, GGUF, KV cache, offloading, tokens por segundo, memory-bound, OOM, serverless GPU y más. El compañero de referencia del curso de GPU.
Glosario de Redes Neuronales y Deep Learning
Los conceptos del Curso de Redes Neuronales explicados en simple: neurona, perceptrón, pesos, bias, función de activación, ReLU, MLP, función de pérdida, gradiente, descenso de gradiente, backpropagation, learning rate, Adam, overfitting, dropout, batch normalization, embedding, RNN, LSTM y más. El compañero de referencia del curso.
Glosario de Transformers y LLMs
Los conceptos de los Transformers explicados en simple: tokenización y embeddings, la atención con Q/K/V y softmax, multi-head, la arquitectura decoder-only, pretraining y RLHF, temperature, top-p, KV cache, RoPE y MoE. El compañero de referencia del curso de Transformers.
Glosario de generación de imágenes
Los conceptos del curso de generación de imágenes en simple: píxel, canal RGB, tensor, convolución, kernel, feature map, pooling, CNN, VAE, GAN, difusión, U-Net, latent diffusion, CLIP, ViT, ControlNet, LoRA, multimodal y más.
Glosario de Deploy de Agentes y DevOps
Los términos de llevar un agente a producción, en simple: Git, Conventional Commits, PR, CI/CD, GitHub Actions, branch protection, Dependabot, CodeQL, quality gate, Docker, Terraform, Cloud Run, Workload Identity Federation, canary, rollback y observabilidad.
Glosario de Machine Learning
Los conceptos del Machine Learning clásico y tabular explicados en simple: aprendizaje supervisado, regresión, clasificación, feature, overfitting, train/test, árbol de decisión, random forest, gradient boosting, XGBoost, validación cruzada, feature engineering, precision/recall, ROC-AUC, clustering, PCA, SHAP, data leakage, drift y más. El compañero de referencia del curso.
Glosario de MLOps
Los conceptos de llevar modelos a producción en simple: ciclo de vida de ML, DVC, experiment tracking, MLflow, model registry, pipeline de entrenamiento, feature store, train-serve skew, CI/CD/CT, serving, data drift, concept drift, reentrenamiento y madurez MLOps.
Glosario de RAG
Los conceptos de buscar en documentos propios con IA en simple: RAG, grounding, chunking, embeddings, búsqueda vectorial, ANN, HNSW, BM25 y búsqueda léxica, búsqueda híbrida, RRF, rerankers, evaluación con recall@k y nDCG, y las técnicas avanzadas de producción.
Glosario de Fine-tuning y adaptación de modelos
Los conceptos de entrenar un modelo con datos propios en simple: SFT, LoRA, QLoRA, loss masking, DPO, cuantización y servido. Cada término explicado en una o dos frases, con el enlace al módulo del Curso de Fine-tuning donde se desarrolla completo.
Glosario de Evals y evaluación de agentes
Los conceptos de medir si un sistema con LLM funciona, en simple: eval, rúbrica, juez LLM, kappa, trayectoria, red teaming, evals online y gates por severidad. Un diccionario para leer el curso de Evals sin perderse.
Glosario de Seguridad de IA
Los conceptos de asegurar sistemas con LLM y agentes, en simple: prompt injection directa e indirecta, jailbreak, excessive agency, confused deputy, guardrails, data poisoning, safetensors, sandboxing, SBOM, red teaming y los marcos de gobernanza. El diccionario para leer el Curso de Seguridad de IA sin perderse.
Glosario de Razonamiento y RL
Los conceptos del aprendizaje por refuerzo y de los modelos que razonan, en simple: agente, política, recompensa, ecuación de Bellman, Q-learning, policy gradient, PPO, RLHF, DPO, GRPO, chain-of-thought, test-time compute, RLVR y reward hacking. El diccionario para leer el Curso de Razonamiento y RL sin perderse.
Glosario de Voz e IA en tiempo real
Los conceptos de construir sistemas de voz con IA, en simple: sample rate, espectrograma, ASR, Whisper, CTC, TTS, vocoder, latencia, streaming, VAD, turn-taking, barge-in, speech-to-speech, WER, MOS y telefonía. El diccionario para leer el Curso de Voz e IA en tiempo real sin perderse.
Glosario de Producto y Gestión de IA
Los conceptos de decidir, financiar y liderar productos de IA, en simple: caso de uso, business case, ROI, TCO, build vs buy, PoC purgatory, roadmap por outcomes, RICE, north star, KPI, guardrail, FinOps, unit economics, RACI, EU AI Act y gestión del cambio — más los términos de la Metodología de casos de uso: arquetipos, baseline, contrafactual, landing zone, LLM gateway, sensibilidad y dossier. El diccionario para leer el Curso de Producto y la Metodología de casos de uso sin perderse.
Glosario de Arquitectura AWS para Agentes de IA
Los términos del curso de arquitectura AWS, en simple: cuentas y Organizations, IAM, roles y mínimo privilegio, Lambda y Fargate, VPC y egress, SQS y EventBridge, DynamoDB y pgvector, Bedrock y sus perfiles de inferencia, AgentCore, KMS, Guardrails, CloudTrail, Step Functions y la aprobación asíncrona. El diccionario para leer el curso — y cualquier diagrama de arquitectura AWS — sin perderse.
Glosario de Arquitectura GCP para Agentes de IA
Los términos del curso de arquitectura GCP, en simple: proyectos y carpetas, service accounts e impersonation, Cloud Run services y jobs, la VPC global, Pub/Sub y Cloud Tasks, Firestore y BigQuery, Vertex AI y el Model Garden, ADK y Agent Engine, Model Armor, VPC Service Controls y Workflows. El diccionario para leer el curso — y cruzar desde AWS — sin perderse.
Glosario de Arquitectura Azure para Agentes de IA
Los términos del curso de arquitectura Azure, en simple: el tenant de Entra ID, suscripciones y resource groups, managed identities y RBAC, Container Apps con KEDA, Durable Functions, Service Bus con sesiones, private endpoints, Foundry y sus despliegues con TPM, Content Safety y Prompt Shields, Defender for Cloud y KQL. El diccionario para leer el curso — y cerrar la serie tri-cloud — sin perderse.
Glosario de Data Engineering para IA
Los términos del curso de Data Engineering, en simple: pipeline y sus cinco etapas, batch, streaming y CDC, watermark y backfill, Parquet, Iceberg y el lakehouse, medallón, ELT y dbt, orquestación y assets, contratos de datos, deduplicación con MinHash, PII scrubbing, datos sintéticos, feature stores, point-in-time y linaje. El diccionario para leer el curso — y cualquier conversación de datos — sin perderse.
Glosario de Claude Cowork
Los términos del curso de Claude Cowork, en simple y sin tecnicismos: el encargo y sus cuatro partes, instrucciones globales y por carpeta, conectores y MCP, skills y plugins, tareas programadas, Dispatch, la memoria unificada y los proyectos, la escalera de confianza, la regla de oro y el reflejo del ajuste. El diccionario del único curso del catálogo pensado para la semana de oficina.
Nada coincide con esos filtros.
◉ Últimos posts del blog
Mensajes en ráfaga y acciones duplicadas en agentes IA
Un usuario escribió dos mensajes seguidos y mi agente agendó los mismos eventos dos veces. Debounce adaptativo, idempotencia semántica y typing indicators.
¿Workflow agéntico o agente autónomo? Guía enterprise
La autonomía total luce en demo; en enterprise pesan gobernanza, trazabilidad, costo y latencia. La mejor arquitectura equilibra autonomía y control.
Mi versión de OpenClaw y Hermes: por qué fracasé
Perseguí la autonomía máxima para mis agentes IA hasta entender el problema real: sin control ni trazabilidad no hay confianza, y sin confianza no hay autonomía.