15 minutosCómo construimos agentes efectivos: Barry Zhang, Anthropic
Diseñarás bucles de agentes más sencillos, con reglas de parada, límites de tarea y puntos de control humano claros.
AvanzadoAutomatizaciones
Desarrollo de un LLM: creación, entrenamiento y fine-tuning
Sebastian Raschka. Sebastian Raschka explica con calma el lugar que ocupa el fine-tuning dentro del pipeline general de entrenamiento de un LLM: ajuste de instrucciones, fine-tuning para clasificación, métodos eficientes en parámetros y las contrapartidas señaladas por el artículo antes de recomendar LoRA. Ofrece una buena calibración inicial, sobre todo si el equipo aún debate si el fine-tuning es el paso adecuado.
Nota de AI Expert
Los nombres de modelos, precios y capacidades cambian rápidamente. Usa este curso para el patrón de decisión, luego verifica el comportamiento actual del modelo antes de adoptarlo.
Qué aprenderás
Situarás el fine-tuning dentro del pipeline general de entrenamiento y decidirás cuándo resulta preferible al prompting o a RAG.
Qué ver o saber antes
Conocimiento general de ML; es un recorrido conceptual, por lo que no se requiere configuración para seguir el código.
Última revisión: 18 may 2026
Ver siguiente
Continúa por el mismo itinerario de aprendizaje con los siguientes vídeos complementarios seleccionados.
15 minutos
190 minutosCurso completo de LangGraph para principiantes – Agentes de IA complejos con Python
Podrás crear un agente LangGraph con estado tipado, enrutamiento condicional, puntos de control y herramientas, y valorar dónde compensa esa explicitud.
AvanzadoAutomatizaciones
8 minutosDegradación del contexto: cómo afecta el aumento de tokens de entrada al rendimiento de los LLM
Comprenderás cómo falla el contexto largo ante la ambigüedad y los distractores, y diseñarás pruebas que cubran ese riesgo.
AvanzadoIngeniería de prompts