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?

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):
- Inspeccionar la vacante (
obtener_vacante) y cargar requisitos obligatorios, modalidad, inglés mínimo y tope salarial (VAC-101yVAC-102). - Explorar el catálogo de candidatos (
buscar_candidatos) validando habilidades contra un vocabulario controlado y manejando errores con sugerencias accionables. - 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. - Neutralizar inyecciones indirectas (
CAND-04) aislando el procesamiento de textos no confiables de las herramientas con privilegios. - 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 conModeloSimulado, 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_KEYen tu entorno (o en un archivo.env):crear_modelo()instancia automáticamenteModeloOpenAI(por defectogpt-4.1-mini, o el modelo que definas enMODELO) usando tool calling real.
Empieza por el Módulo 0.