Aprende a diseñar agentes de inteligencia artificial robustos, cíclicos y con memoria de estado utilizando LangGraph y las capacidades nativas de Tool Calling de OpenAI. Implementa grafos de decisión con puntos de control (checkpoints), intervención humana en el bucle (human-in-the-loop) y ejecución de herramientas externas.

El prompt engineering ha evolucionado desde trucos heurísticos informales hasta una disciplina formal de ingeniería de software. Domina el razonamiento Chain-of-Thought (CoT), la inyección dinámica de ejemplos Few-Shot mediante búsqueda vectorial y la garantía estricta de esquemas JSON utilizando Pydantic y gramáticas guiadas.

Aprende a entrenar y ajustar LLaMA 3.1 8B Instruct en tu propia GPU de 16GB o 24GB VRAM utilizando cuantización NormalFloat4 (NF4) y adaptadores LoRA con Hugging Face PEFT y TRL. Domina la preparación de datasets en formato ChatML, la configuración de hiperparámetros y la exportación de adaptadores para producción.

Aprende a construir un sistema RAG de grado de producción utilizando LlamaIndex y ChromaDB. Implementamos paso a paso fragmentación semántica jerárquica, recuperación híbrida con BM25, re-ranking neural con cross-encoders y evaluación matemática de fidelidad fáctica con RAGAS para eliminar alucinaciones en documentos técnicos complejos.

Los pipelines lineales de IA basados en cadenas simples (chains) son incapaces de recuperarse de errores o ejecutar bucles iterativos complejos. Construye paso a paso un agente autónomo de grado de producción con LangGraph: grafos dirigidos cíclicos (DAGs con bucles), memoria persistente con SQLite checkpoints y Human-in-the-Loop.

Desplegar modelos de 70 mil millones de parámetros no tiene por qué exigir servidores de decenas de miles de euros. Aprende a cuantizar LLMs a 4 bits utilizando AWQ (Activation-aware Weight Quantization) y GPTQ en Python: matemáticas de la precisión reducida, preservación de pesos salientes y benchmarks de velocidad en vLLM.

El RAG vectorial tradicional fracasa al responder preguntas holísticas sobre temas interconectados en grandes volúmenes de documentos. Aprende a implementar GraphRAG (Retrieval-Augmented Generation con Grafos de Conocimiento) usando la librería de Microsoft Research y Neo4j en Python: extracción de entidades, detección de comunidades Leiden y consultas globales.

El ajuste fino de modelos de lenguaje ya no requiere clústeres de servidores inalcanzables. Aprende a entrenar Llama 3 con Unsloth y QLoRA en Python: optimización de kernels manuales en Triton, ahorro del 80% de memoria VRAM, preparación de datasets de instrucciones y exportación a formatos GGUF y vLLM.

Evaluar la calidad de un modelo de lenguaje en producción va mucho más allá de pruebas cualitativas informales. Aprende a implementar la metodología LLM-as-a-Judge en Python: configuración de MT-Bench, medición de alucinaciones con la Tríada de TruLens (Groundedness, Relevance, Context) y pipelines automatizados de evaluación continua.