DiplomadoInteligencia artificial y datos
Ingeniería de instrucciones y agentes de IA
El diplomado Ingeniería de instrucciones y agentes de IA proporciona al estudiante el diseño de instrucciones de alto desempeño y la construcción de agentes que usan herramientas, memoria y flujos de varios pasos con LangGraph, el Protocolo de Contexto de Modelo (MCP) y plataformas sin código. Le permite automatizar tareas complejas de conocimiento con control, evaluación y seguridad.
A quién va dirigido
Desarrolladores, analistas y profesionales técnicos con Python básico que quieren construir agentes de IA confiables.
Objetivos
✓Comprender la estructura de las instrucciones de sistema, los ejemplos, la descomposición de tareas y las guías oficiales de OpenAI, Anthropic y Google.
✓Analizar el desempeño de instrucciones con conjuntos de prueba, modelo como juez y criterios de costo, latencia y selección de modelo.
✓Aplicar el patrón ReAct, llamadas a funciones, memoria y patrones de flujo para construir agentes con LangGraph.
✓Diseñar agentes conectados a datos y aplicaciones mediante servidores MCP, API, n8n y sistemas de varios agentes con humano en el ciclo.
✓Evaluar la observabilidad, los costos y la seguridad de un agente frente a la inyección de instrucciones y el exceso de permisos.
Plan de estudios por sesión
1
Instrucciones de sistema y técnicas de razonamientoInstrucciones de sistema, rol y restricciones · Pocos ejemplos, cadena de razonamiento y descomposición
2
Salidas estructuradas y buenas prácticas oficialesSalidas en JSON con esquema · Guías oficiales de OpenAI, Anthropic y Google
3
Criterios de éxito y evaluación automáticaConjuntos de prueba y criterios de éxito · Evaluación automática y modelo como juez
4
Versionamiento y economía de las instruccionesControl de versiones de instrucciones · Costo, latencia y selección de modelo
5
El bucle de agente y el uso de herramientasPatrón ReAct y bucle de agente · Llamadas a funciones y herramientas
6
Memoria y patrones de orquestaciónMemoria de corto y largo plazo · Patrones de flujo: cadena, enrutamiento, orquestador y trabajadores
7
Agentes con estado en LangGraphGrafos de estado en LangGraph · Humano en el ciclo y puntos de control
8
Integración por MCP y sistemas de varios agentesServidores y clientes del Protocolo de Contexto de Modelo · Sistemas de varios agentes
9
Agentes sin código y observabilidadAgentes en n8n y plataformas de asistentes · Observabilidad con LangSmith o Langfuse
10
Seguridad y costos en producciónSeguridad: permisos mínimos e inyección de instrucciones · Monitoreo de costos
11
Definición y construcción del agente del proyectoDefinición de la tarea del agente · Construcción e integración
12
Presentación del proyecto final: agente evaluado con casos de pruebaEvaluación con casos de prueba · Demostración
Evaluación
Inicial30%Conjunto de instrucciones con salidas JSON validadas por esquema; cuestionario sobre técnicas de pocos ejemplos y cadena de razonamiento.
Intermedio30%Batería de pruebas con modelo como juez y control de versiones de instrucciones; agente con herramientas y memoria en LangGraph.
Final40%Proyecto final: agente de IA funcional que resuelve una tarea real de varios pasos con herramientas externas, con su conjunto de evaluación, reporte de desempeño y demostración.
Proyecto final
Agente de IA funcional que resuelve una tarea real de varios pasos con herramientas externas, acompañado de su conjunto de evaluación y reporte de desempeño.