Fundamentos de AI Engineering
Curso práctico de 9 módulos sobre los bloques fundamentales de la ingeniería de IA moderna. Todos los módulos comparten un mismo problema y un mismo dataset para que cada técnica se compare sobre la misma base y al final se integren en un sistema completo.

El caso conductor
Construimos el asistente técnico de un taller de talento de ingeniería: dado un repositorio de 30 perfiles de candidatos (con habilidades, experiencia, proyectos, ubicación, senioridad y notas de entrevistas) y 8 vacantes abiertas, el sistema debe ayudar a un líder técnico a encontrar, comparar y justificar qué candidatos encajan mejor con cada vacante — con trazabilidad, memoria de las preferencias del líder y límites claros sobre qué puede y qué no puede afirmar.
Mapa del curso
| # | Módulo | Qué construimos sobre el caso |
|---|---|---|
| 1 | Datos estructurados | Esquemas Pydantic de Candidato, Vacante y EvaluacionCandidato; extracción desde CVs en texto libre con instructor y Function Calling |
| 2 | Embeddings y búsqueda semántica | Vectorización de los 30 perfiles y las 8 vacantes; similitud coseno desde cero; visualización 2D del espacio de talento |
| 3 | Chunking, metadata e introducción a RAG | Partición de CVs en chunks con metadatos filtrables en Qdrant y primer pipeline RAG con citas verificadas |
| 4 | BM25, búsqueda híbrida y RRF | Búsqueda léxica exacta para tecnologías específicas ("K8s", "HIPAA", "COBOL") fusionada con la semántica mediante Reciprocal Rank Fusion |
| 5 | Workflows de agentes | Chaining, routing, paralelización y evaluador-optimizador aplicados al análisis y comparación de candidatos |
| 6 | Orquestación con LangGraph | Grafo con estado tipado, reintentos cuando la búsqueda no alcanza umbral, y punto de aprobación humana antes de enviar el informe |
| 7 | Observabilidad y evaluación | Trazas de cada paso (latencia, tokens, costo), dataset dorado de 15 consultas con candidatos esperados, Recall@k, MRR y LLM-as-a-judge |
| 8 | Memoria y guardrails | Memoria de sesión y de preferencias del reclutador; guardrails contra PII, prompt injection en CVs y criterios protegidos (edad, género, origen) |
| 9 | Proyecto integrador | Asistente de Selección de Talento de punta a punta: ingesta → indexación híbrida → agente en LangGraph con memoria y guardrails → suite de evaluación y trazas |
Estructura de cada módulo
modulo-XX-nombre/
├── README.md # Manual completo: conceptos, diagramas y explicación del código
├── ejercicios.md # Ejercicios guiados y retos sobre el mismo caso
└── code/ # Scripts numerados listos para ejecutar en orden
El dataset compartido de candidatos y vacantes vive en modulo-09-proyecto-integrador/code/00_datos_cvs.py y los scripts autocontenidos de cada módulo en modulo-XX-.../code/.
Cómo ejecutar los laboratorios
Instala las dependencias en un entorno virtual con Python 3.10+:
pip install -r curso-ai-engineering/requirements.txtDefine tu clave de OpenAI como variable de entorno. Los scripts la leen del entorno; no cargan el archivo
.envpor sí solos. En la terminal donde vas a ejecutarlos:# macOS / Linux export OPENAI_API_KEY=sk-... # Windows (PowerShell) $env:OPENAI_API_KEY = "sk-..."Si prefieres guardarla en un archivo
.enven la raíz del proyecto (OPENAI_API_KEY=sk-...), ejecuta los scripts desde esa carpeta condotenv run -- python ...(viene conpython-dotenv, que ya está en las dependencias).El modelo se elige con la variable
MODELO. Con otro proveedor compatible con la API de OpenAI, define ademásOPENAI_BASE_URL; el código pide salida estructurada con JSON Schema, así que el proveedor tiene que soportarla.Los módulos 2, 3 y 4 corren 100 % en local sin clave de API. Los módulos 1, 5, 6, 7, 8 y 9 llaman al modelo.
Ejecuta cualquier script desde su carpeta o desde la raíz:
python curso-ai-engineering/modulo-01-datos-estructurados/code/01_pydantic_basico.py