Agentes en producción: herramientas, estado y controlVista previa gratuita
Ver planesEntrar

Agentes en producción: herramientas, estado y control

Contenido, arquitecturas y código originales, diseñados para construir agentes que operan sobre sistemas reales sin salirse de presupuesto, sin corromper datos y con trazabilidad completa.

En el curso de AI Engineering construimos el buscador y un primer bucle de herramientas; en Evals aprendimos a medir con rigor; en AI Search llevamos la recuperación al límite. Pero cuando un sistema deja de solo responder preguntas y empieza a ejecutar acciones de varios pasos —consultar varias fuentes, cruzar restricciones, invocar servidores externos por protocolo, pedir confirmación humana y recuperarse de fallos— aparece una clase nueva de problemas de ingeniería.

Este curso responde una pregunta central: ¿cómo construyes un controlador de agente que sea confiable en producción cuando cada paso adicional multiplica el riesgo de error, el costo y la latencia?

Arquitectura de un agente en producción: presupuesto, máquina de estados, herramientas poka-yoke, aprobación humana y evaluación pass^k
Arquitectura de un agente en producción: presupuesto, máquina de estados, herramientas poka-yoke, aprobación humana y evaluación pass^k


El proyecto: de buscador pasivo a agente de preselección técnica

Nuestro sistema de reclutamiento opera un flujo completo de preselección sobre el ATS (comun/ag_comun.py):

  1. Inspeccionar la vacante (obtener_vacante) y cargar requisitos obligatorios, modalidad, inglés mínimo y tope salarial (VAC-101 y VAC-102).
  2. Explorar el catálogo de candidatos (buscar_candidatos) validando habilidades contra un vocabulario controlado y manejando errores con sugerencias accionables.
  3. Inspeccionar fichas y verificar elegibilidad (consultar_ficha_candidato, verificar_elegibilidad) comprobando reglas duras de negocio: 90 días de enfriamiento desde el último contacto, nivel CEFR de inglés, modalidad híbrida/remota y años de experiencia.
  4. Neutralizar inyecciones indirectas (CAND-04) aislando el procesamiento de textos no confiables de las herramientas con privilegios.
  5. Pausar la ejecución (checkpoint + HITL) antes de acciones con efectos externos (agendar_entrevista) hasta contar con firma humana, sin duplicar eventos ante reintentos.

Mapa del curso

# Módulo La pregunta que responde
0 Cuándo usar (y cuándo no usar) un agente ¿Necesitas un bucle autónomo o un flujo determinista, y cómo cortas el gasto fuera del modelo?
1 Diseño de herramientas y contratos poka-yoke ¿Cómo diseñar herramientas y errores accionables para que el modelo se autocorrija en un turno?
2 Máquinas de estados, checkpoints e idempotencia ¿Cómo impedir que el agente se salte verificaciones y cómo reanudar tras una caída sin duplicar efectos?
3 Presupuesto de contexto, poda y memoria ¿Cómo reducir casi a la mitad los tokens de entrada podando observaciones antiguas y guardando memoria episódica?
4 Protocolo MCP y servidores de herramientas ¿Cómo aislar credenciales y herramientas en un subproceso real usando Model Context Protocol sobre JSON-RPC 2.0 (stdio)?
5 Subagentes, delegación y ejecución paralela ¿Cómo usar el patrón Orquestador-Trabajadores y Map-Reduce para acelerar 3.9x y ahorrar 95 % del contexto principal?
6 Aprobación humana y defensa contra inyección indirecta ¿Cómo pausar ante herramientas irreversibles y defender el agente del CV hostil de CAND-04?
7 Evaluar agentes: trayectorias, pass@k y pass^k ¿Por qué un agente con pass@5 = 93.8 % puede tener pass^5 = 0.0 % en producción y cómo medir ambos?
8 Proyecto final: agente de preselección en producción El AgenteReclutadorProduccion completo certificado por una suite CI/CD de 6 puertas de calidad

Cómo correr los laboratorios (con o sin API key)

Todos los scripts usan la interfaz crear_modelo() de comun/ag_modelo.py:

  • Sin API key (o con AGENTE_SIMULADO=1): corren con ModeloSimulado, una política determinista sin red cuyos defectos (errata, terco, obedece_inyeccion, p_descuido) se encienden en cada laboratorio para probar que tu controlador los contiene.
  • Con OPENAI_API_KEY en tu entorno (o en un archivo .env): crear_modelo() instancia automáticamente ModeloOpenAI (por defecto gpt-4.1-mini, o el modelo que definas en MODELO) usando tool calling real.

Empieza por el Módulo 0.

Presentación del curso · Agentes en producción: herramientas, estado y control · IA en Producción