FÁBRICA DE AGENTES AUTÓNOMOS DE INTELIGENCIA ARTIFICIAL
ESTRUCTURA EDITORIAL GENERAL
Tomo I — Fundamentos y Arquitectura (Módulos 0–2) ~170h
Tomo II — Especialización, Fábrica y Proyección (Módulos 3–6 + Proyecto) ~170h
PÁGINAS PRELIMINARES (ambos tomos)
Portada
Página de derechos / Copyright
Dedicatoria
Prólogo (por figura académica invitada — sugerencia: rector UAGRM o referente IA latinoamericano)
Presentación del autor
Cómo usar este libro
Mapa curricular visual
Convenciones tipográficas (íconos de laboratorio, alerta, concepto clave, código)
TOMO I — FUNDAMENTOS Y ARQUITECTURA
MÓDULO 0 — FUNDAMENTOS TÉCNICOS PARA LA IA
35 horas | Capítulos 0.1 – 0.3
Capítulo 0.1 — Python esencial para agentes
6 horas estimadas
Secciones:
0.1.1 — Por qué Python es el idioma de los agentes
0.1.2 — Variables, tipos de datos y estructuras esenciales
0.1.3 — Funciones, módulos y buenas prácticas
0.1.4 — Manejo de archivos: JSON, CSV, texto plano
0.1.5 — Entornos virtuales: venv y conda
0.1.6 — Control de versiones con Git y GitHub
0.1.7 — Instalación del stack base del libro
Laboratorio 1: Configuración del entorno completo de desarrollo
Paso 1: Instalar Python 3.11+
Paso 2: Crear entorno virtual
Paso 3: Instalar librerías base (openai, anthropic, google-genai, langchain, streamlit, chromadb)
Paso 4: Configurar GitHub y primer commit
Paso 5: Verificación del entorno
Elementos didácticos:
Concepto clave: diferencia entre librería, SDK y framework
Alerta: errores comunes en instalación por sistema operativo
Autoevaluación: 5 preguntas de verificación
Prompt maestro del capítulo
Capítulo 0.2 — APIs, prompts y modelos de lenguaje
14 horas estimadas
Secciones:
0.2.1 — Qué es una API y cómo funciona
0.2.2 — Autenticación, tokens y rate limits
0.2.3 — El ecosistema de modelos en 2026: GPT-4o/5, Claude 4, Gemini 2.5
0.2.4 — Comparativa técnica y de costos
0.2.5 — Anatomía de un prompt: system prompt vs. user prompt
0.2.6 — Parámetros críticos: temperatura, top_p, max_tokens, stop
0.2.7 — Ingeniería de prompts básica para agentes
Laboratorio 2: Primera llamada a API — Experimentación con parámetros
Paso 1: Configurar claves de API (OpenAI, Anthropic, Google)
Paso 2: Primera llamada con Python
Paso 3: Modificar temperatura y observar diferencias
Paso 4: Comparar respuestas entre tres proveedores
Paso 5: Análisis de costos por llamada
Elementos didácticos:
Tabla comparativa: modelos 2026
Concepto clave: token como unidad de costo y contexto
Alerta: nunca exponer claves API en código público
Autoevaluación: 5 preguntas
Prompt maestro del capítulo
Capítulo 0.3 — Herramientas del ecosistema agéntico
15 horas estimadas
Secciones:
0.3.1 — SDKs nativos vs. frameworks de orquestación: la distinción clave
0.3.2 — OpenAI Agents SDK: estructura y filosofía
0.3.3 — Anthropic Claude Tool Use: estructura y filosofía
0.3.4 — Google ADK: estructura y filosofía
0.3.5 — LangChain: cuándo usarlo y cuándo no
0.3.6 — CrewAI y AutoGen: orquestación de equipos
0.3.7 — Streamlit: interfaces rápidas para agentes
0.3.8 — ChromaDB: vectores y memoria semántica
0.3.9 — Principio agnóstico: cómo leer documentación oficial
Laboratorio 3: Prueba comparativa de SDKs nativos vs. frameworks
Paso 1: Implementar tarea simple con OpenAI Agents SDK
Paso 2: Misma tarea con LangChain
Paso 3: Misma tarea con CrewAI
Paso 4: Comparar verbosidad, control y rendimiento
Paso 5: Conclusiones documentadas
Elementos didácticos:
Diagrama: mapa del ecosistema agéntico 2026
Concepto clave: abstracción vs. control directo
Alerta: dependencia excesiva de frameworks desactualizados
Autoevaluación: 5 preguntas
Prompt maestro del capítulo
MÓDULO 1 — LA REVOLUCIÓN DE LA IA AGÉNTICA
40 horas | Capítulos 1 – 4
Capítulo 1 — La cuarta revolución industrial inteligente
8 horas
Secciones:
1.1 — Revoluciones tecnológnicas comparadas: vapor, electricidad, digital, inteligente
1.2 — Economía del conocimiento y del dato
1.3 — Casos reales documentados de IA agéntica en producción
1.4 — Futuro del trabajo: profesiones emergentes 2024–2030
1.5 — Bolivia y Latinoamérica en la economía inteligente
Laboratorio 4: Análisis de casos reales con herramientas IA actuales
Paso 1: Seleccionar 3 casos de uso reales de agentes en producción
Paso 2: Identificar componentes agénticos en cada caso
Paso 3: Mapear el impacto económico y laboral
Paso 4: Presentación grupal de hallazgos
Elementos didácticos:
Línea de tiempo: evolución de la IA 1950–2026
Concepto clave: diferencia entre automatización e inteligencia
Reflexión crítica: ¿qué profesiones desaparecen, cuáles emergen?
Autoevaluación: 5 preguntas
Prompt maestro del capítulo
Capítulo 2 — De la IA generativa a la IA agéntica
10 horas
Secciones:
2.1 — Historia comprimida: de Turing a los transformers
2.2 — IA generativa: qué hace, qué no hace, qué simula
2.3 — IA agéntica: definición técnica precisa
2.4 — Agente ≠ chatbot: la distinción fundamental
2.5 — Tendencias 2024–2026: agentes autónomos, multiagentes, AGI incipiente
Laboratorio 5: Comparación directa: chatbot vs. agente con herramientas
Paso 1: Implementar chatbot simple sin herramientas
Paso 2: Implementar agente con 2 herramientas (búsqueda + calculadora)
Paso 3: Plantear misma tarea a ambos
Paso 4: Documentar diferencias en capacidad de resolución
Paso 5: Conclusión técnica escrita
Elementos didácticos:
Diagrama: chatbot vs. agente (arquitectura comparada)
Concepto clave: loop de razonamiento-acción
Alerta: no confundir autonomía con inteligencia general
Autoevaluación: 5 preguntas
Prompt maestro del capítulo
Capítulo 3 — Anatomía del agente autónomo
12 horas
Secciones:
3.1 — El ciclo fundamental: percepción → razonamiento → acción → memoria
3.2 — Componentes internos: perfil, objetivo, herramientas, memoria, planning
3.3 — Niveles de autonomía: asistido, semiautónomo, autónomo, soberano
3.4 — Ciclo de vida completo de un agente
3.5 — Diseño de perfil de agente: plantilla estándar
Laboratorio 6: Diseño del primer agente autónomo simple
Paso 1: Definir perfil del agente (nombre, rol, objetivo, restricciones)
Paso 2: Configurar herramientas básicas con OpenAI Agents SDK
Paso 3: Implementar ciclo percepción-acción mínimo
Paso 4: Probar con 3 tareas distintas
Paso 5: Documentar comportamiento observado
Elementos didácticos:
Plantilla: ficha técnica de diseño de agente
Concepto clave: autonomía como espectro, no como binario
Alerta: agente sin restricciones claras es agente impredecible
Autoevaluación: 5 preguntas
Prompt maestro del capítulo
Capítulo 4 — Arquitectura cognitiva aplicada
10 horas
Secciones:
4.1 — Percepción: inputs, APIs, sensores digitales
4.2 — Memoria de corto plazo: contexto y ventana de tokens
4.3 — Memoria de largo plazo: vectorstores y ChromaDB
4.4 — Razonamiento: ReAct, Chain-of-Thought, Tree-of-Thoughts
4.5 — Acción: tools, function calling, code execution
4.6 — Aprendizaje: feedback loops y fine-tuning estratégico
Laboratorio 7: Implementación del ciclo cognitivo completo
Paso 1: Configurar memoria corto plazo (contexto conversacional)
Paso 2: Configurar ChromaDB como memoria larga
Paso 3: Implementar razonamiento ReAct
Paso 4: Conectar herramienta de acción externa
Paso 5: Probar ciclo completo con tarea de múltiples pasos
Elementos didácticos:
Diagrama: arquitectura cognitiva completa del agente
Concepto clave: ReAct como protocolo de razonamiento
Comparativa: CoT vs. ToT vs. ReAct
Autoevaluación: 5 preguntas
Prompt maestro del capítulo
MÓDULO 2 — ARQUITECTURA DE AGENTES MULTINIVEL Y MULTICOGNITIVOS
55 horas | Capítulos 5 – 13
PARTE A — AGENTES MULTINIVEL
Capítulo 5 — Nivel generalista
6 horas
Secciones:
5.1 — Definición y alcance del agente generalista
5.2 — Dominio amplio, profundidad limitada: ventajas y riesgos
5.3 — Knowledge bases generales: Wikipedia, fuentes abiertas
5.4 — RAG básico: recuperación aumentada de generación
5.5 — Casos de uso: asistentes de primer contacto
Laboratorio 8: Agente generalista con RAG sobre Wikipedia
Paso 1: Configurar pipeline RAG con ChromaDB
Paso 2: Indexar artículos de Wikipedia seleccionados
Paso 3: Implementar agente con búsqueda semántica
Paso 4: Probar con preguntas de dominio amplio
Paso 5: Evaluar precisión y cobertura
Elementos didácticos:
Diagrama: pipeline RAG básico
Concepto clave: embedding como representación semántica
Autoevaluación: 5 preguntas
Prompt maestro del capítulo
Capítulo 6 — Nivel temático
6 horas
Secciones:
6.1 — Del generalista al especialista: cuándo y por qué
6.2 — Curación de fuentes especializadas
6.3 — Indexación selectiva de conocimiento
6.4 — Restricción de dominio: cómo evitar respuestas fuera de alcance
6.5 — Casos de uso: agentes sectoriales de primer nivel
Laboratorio 9: Agente temático sobre campo elegido por el estudiante
Paso 1: Estudiante define su campo temático
Paso 2: Curar 10-15 documentos fuente
Paso 3: Indexar y configurar agente
Paso 4: Definir restricciones de dominio
Paso 5: Prueba y evaluación
Elementos didácticos:
Plantilla: ficha de curación de fuentes
Concepto clave: relevancia vs. exhaustividad
Autoevaluación: 5 preguntas
Prompt maestro del capítulo
Capítulo 7 — Nivel profesional
6 horas
Secciones:
7.1 — El agente que conoce estándares y normativas
7.2 — Integración de buenas prácticas del campo
7.3 — Sistemas de validación con criterios profesionales
7.4 — Manejo de incertidumbre con rigor profesional
7.5 — Casos de uso: consultoría automatizada de primer nivel
Laboratorio 10: Agente profesional con criterios de validación
Paso 1: Definir campo profesional y sus estándares
Paso 2: Incorporar normativas como conocimiento base
Paso 3: Implementar validador de respuestas
Paso 4: Probar con casos límite
Paso 5: Documentar criterios de calidad
Elementos didácticos:
Concepto clave: validación vs. verificación
Alerta: el agente profesional no reemplaza al profesional
Autoevaluación: 5 preguntas
Prompt maestro del capítulo
Capítulo 8 — Nivel experto
6 horas
Secciones:
8.1 — Profundidad técnica: más allá del conocimiento declarativo
8.2 — Manejo de excepciones y casos límite
8.3 — Memoria de casos resueltos: base de experiencia
8.4 — Razonamiento por analogía y transferencia
8.5 — Casos de uso: diagnóstico, auditoría, consultoría avanzada
Laboratorio 11: Agente experto con base de casos
Paso 1: Construir base de casos resueltos (mínimo 20)
Paso 2: Implementar búsqueda por similitud de casos
Paso 3: Configurar razonamiento por analogía
Paso 4: Probar con casos nuevos complejos
Paso 5: Evaluar calidad de razonamiento
Elementos didácticos:
Concepto clave: razonamiento basado en casos (CBR)
Diagrama: flujo de consulta a base de casos
Autoevaluación: 5 preguntas
Prompt maestro del capítulo
Capítulo 9 — Nivel investigador
6 horas
Secciones:
9.1 — El agente que formula preguntas, no solo responde
9.2 — Formulación de hipótesis y diseño experimental
9.3 — Búsqueda y síntesis de literatura científica
9.4 — Evaluación crítica de fuentes
9.5 — Casos de uso: asistencia a investigación académica
Laboratorio 12: Agente investigador con revisión de papers
Paso 1: Conectar agente a fuentes académicas (arXiv, Semantic Scholar)
Paso 2: Implementar síntesis automática de abstracts
Paso 3: Configurar detección de contradicciones entre fuentes
Paso 4: Generar reporte de estado del arte
Paso 5: Evaluar coherencia y rigor
Elementos didácticos:
Concepto clave: síntesis vs. resumen
Alerta: el agente investigador puede alucinar citas
Autoevaluación: 5 preguntas
Prompt maestro del capítulo
Capítulo 10 — Nivel estratégico
5 horas
Secciones:
10.1 — Visión sistémica: el agente que ve el bosque y los árboles
10.2 — Toma de decisiones con múltiples criterios (MCDM)
10.3 — Simulación de escenarios: what-if analysis
10.4 — Planificación a largo plazo con incertidumbre
10.5 — Casos de uso: estrategia organizacional, política pública
Laboratorio 13: Agente estratégico con análisis de escenarios
Paso 1: Definir problema estratégico real o simulado
Paso 2: Implementar análisis multicriterio
Paso 3: Generar 3 escenarios alternativos
Paso 4: Evaluar trade-offs entre escenarios
Paso 5: Producir recomendación estratégica documentada
Elementos didácticos:
Diagrama: matriz de decisión multicriterio
Concepto clave: planificación bajo incertidumbre
Autoevaluación: 5 preguntas
Prompt maestro del capítulo
PARTE B — AGENTES MULTICOGNITIVOS
Capítulo 11 — Inteligencias múltiples en agentes
6 horas
Secciones:
11.1 — El marco de Gardner aplicado a sistemas artificiales
11.2 — Por qué la cognición única limita al agente
11.3 — Diseño de personalidades cognitivas configurables
11.4 — Configuración mediante system prompts especializados
11.5 — Casos de uso: agentes adaptativos por contexto
Laboratorio 14: Agente con personalidad cognitiva configurable
Paso 1: Diseñar 3 perfiles cognitivos distintos
Paso 2: Implementar selector de perfil dinámico
Paso 3: Probar misma tarea con los 3 perfiles
Paso 4: Documentar diferencias en output
Paso 5: Análisis de qué perfil sirve mejor a qué tarea
Elementos didácticos:
Tabla: inteligencias de Gardner vs. configuraciones de agente
Concepto clave: personalidad cognitiva como parámetro de diseño
Autoevaluación: 5 preguntas
Prompt maestro del capítulo
Capítulo 12 — Cognición especializada
12 horas
Secciones:
12.1 — Inteligencia lógica y analítica: estructura, deducción, precisión
12.2 — Inteligencia creativa y divergente: analogía, metáfora, exploración
12.3 — Inteligencia emocional simulada: tono, empatía, adaptación
12.4 — Inteligencia estratégica y prospectiva: visión, anticipación
12.5 — Inteligencia colaborativa: agente que trabaja en equipo
12.6 — Inteligencia ética: agente que detecta dilemas y se detiene
Laboratorio 15: Agente multicognitivo completo
Paso 1: Implementar los 6 módulos cognitivos
Paso 2: Diseñar router de selección cognitiva
Paso 3: Probar con tareas que requieren distintas inteligencias
Paso 4: Implementar combinación de dos inteligencias simultáneas
Paso 5: Evaluación de coherencia y pertinencia
Elementos didácticos:
Diagrama: arquitectura multicognitiva
Concepto clave: router cognitivo como meta-decisión
Alerta: la inteligencia emocional simulada no es empatía real
Autoevaluación: 5 preguntas
Prompt maestro del capítulo
PARTE C — HUMAN-IN-THE-LOOP Y RESILIENCIA
Capítulo 13 — Human-in-the-Loop y circuit breakers
2 horas
Secciones:
13.1 — El agente que sabe cuándo detenerse
13.2 — Umbrales de confianza: diseño y calibración
13.3 — Patrones de escalado: aprobación, revisión, veto humano
13.4 — Circuit breakers: arquitectura y activación
13.5 — Fallbacks: rutas alternativas cuando el modelo falla
13.6 — Ética del HITL: lo que no se delega a la máquina
Laboratorio 16: Agente con HITL, umbrales de confianza y fallbacks
Paso 1: Implementar sistema de confidence score
Paso 2: Configurar umbral de escalado humano
Paso 3: Implementar circuit breaker básico
Paso 4: Diseñar ruta de fallback a proveedor secundario
Paso 5: Probar los 4 escenarios de activación
Elementos didácticos:
Diagrama: flujo de decisión HITL
Concepto clave: confianza calibrada vs. confianza ciega
Alerta: circuit breaker mal configurado puede paralizar el sistema
Autoevaluación: 5 preguntas
Prompt maestro del capítulo
— Fin Tomo I —
TOMO II — ESPECIALIZACIÓN, FÁBRICA Y PROYECCIÓN
MÓDULO 3 — AGENTES MULTIDISCIPLINARIOS Y SISTEMAS MULTIAGENTE
65 horas | Capítulos 14 – 23
PARTE A — AGENTES ESPECIALIZADOS POR SECTOR
(Estructura idéntica para los 7 capítulos sectoriales)
Capítulo 14 — Tutor educativo inteligente
6 horas
Secciones:
14.1 — El sector educativo como campo agéntico prioritario
14.2 — Fuentes de conocimiento pedagógico
14.3 — Adaptación al estudiante: diagnóstico y personalización
14.4 — Evaluación formativa automatizada
14.5 — Casos de uso reales en educación latinoamericana
Laboratorio 17: Tutor adaptativo funcional
Paso 1: Diseñar perfil del estudiante objetivo
Paso 2: Implementar diagnóstico inicial de nivel
Paso 3: Configurar rutas de aprendizaje diferenciadas
Paso 4: Implementar evaluación y retroalimentación
Paso 5: Probar con usuario real
Elementos didácticos:
Concepto clave: andamiaje cognitivo en sistemas artificiales
Conexión con NeuroCiclo/MUEA como framework de referencia
Autoevaluación: 5 preguntas
Prompt maestro del capítulo
Capítulo 15 — Investigador académico IA
6 horas
Secciones:
15.1 — El investigador como agente de síntesis
15.2 — Fuentes académicas y su jerarquía de confianza
15.3 — Detección de sesgos en literatura científica
15.4 — Generación de estados del arte automatizados
15.5 — Límites éticos de la IA en investigación
Laboratorio 18: Asistente de revisión sistemática
Paso 1: Definir pregunta de investigación
Paso 2: Configurar búsqueda en fuentes académicas
Paso 3: Implementar filtro de relevancia
Paso 4: Generar síntesis estructurada
Paso 5: Validar con fuentes originales
Elementos didácticos:
Concepto clave: revisión sistemática vs. revisión narrativa
Alerta: el agente no reemplaza el juicio del investigador
Autoevaluación: 5 preguntas
Prompt maestro del capítulo
Capítulo 16 — Analista jurídico IA
5 horas
Secciones:
16.1 — El derecho como sistema de conocimiento estructurado
16.2 — Fuentes jurídicas: legislación, jurisprudencia, doctrina
16.3 — Análisis de contratos y documentos legales
16.4 — Riesgos del agente jurídico: responsabilidad y error
16.5 — Marco regulatorio de IA jurídica en Latinoamérica
Laboratorio 19: Agente de consulta legal básica
Paso 1: Indexar normativa relevante del campo elegido
Paso 2: Implementar búsqueda jurídica semántica
Paso 3: Configurar respuestas con cita de fuente
Paso 4: Implementar disclaimer automático
Paso 5: Probar con consultas reales anonimizadas
Elementos didácticos:
Alerta crítica: el agente jurídico no ejerce la abogacía
Concepto clave: interpretación vs. aplicación de norma
Autoevaluación: 5 preguntas
Prompt maestro del capítulo
Capítulo 17 — Asistente clínico IA
5 horas
Secciones:
17.1 — IA en salud: oportunidades y responsabilidades
17.2 — Fuentes clínicas: guías, protocolos, literatura médica
17.3 — Triaje informativo: qué puede y no puede hacer el agente
17.4 — Privacidad y datos de salud: marcos legales
17.5 — Casos de uso validados internacionalmente
Laboratorio 20: Agente de triaje informativo de salud
Paso 1: Definir alcance estricto del agente (informativo, no diagnóstico)
Paso 2: Indexar guías clínicas públicas
Paso 3: Implementar sistema de derivación profesional
Paso 4: Configurar alertas de urgencia
Paso 5: Prueba con escenarios controlados
Elementos didácticos:
Alerta crítica: nunca diagnosticar, siempre derivar
Concepto clave: triaje como clasificación, no tratamiento
Autoevaluación: 5 preguntas
Prompt maestro del capítulo
Capítulo 18 — Ingeniero de software IA
6 horas
Secciones:
18.1 — El code agent como asistente de producción
18.2 — Generación, revisión y refactorización de código
18.3 — Integración con GitHub y CI/CD
18.4 — Detección de bugs y vulnerabilidades
18.5 — Casos de uso: pair programming con IA
Laboratorio 21: Code agent funcional
Paso 1: Configurar agente con herramienta de ejecución de código
Paso 2: Implementar ciclo escribir-ejecutar-corregir
Paso 3: Conectar con repositorio GitHub
Paso 4: Probar generación de tests automáticos
Paso 5: Evaluar calidad del código generado
Elementos didácticos:
Concepto clave: sandboxing para ejecución segura de código
Alerta: código generado debe ser revisado antes de producción
Autoevaluación: 5 preguntas
Prompt maestro del capítulo
Capítulo 19 — Analista financiero IA
6 horas
Secciones:
19.1 — Finanzas como dominio de datos estructurados
19.2 — Fuentes financieras: mercados, balances, indicadores
19.3 — Análisis fundamental y técnico asistido por IA
19.4 — Gestión de riesgo y cumplimiento regulatorio
19.5 — Casos de uso: análisis de portafolios, reportes automáticos
Laboratorio 22: Agente de análisis financiero
Paso 1: Conectar fuente de datos financieros (API pública)
Paso 2: Implementar análisis de indicadores clave
Paso 3: Generar reporte narrativo automático
Paso 4: Configurar alertas de variación
Paso 5: Evaluar precisión vs. analista humano
Elementos didácticos:
Alerta: el agente no da asesoría de inversión
Concepto clave: análisis descriptivo vs. predictivo
Autoevaluación: 5 preguntas
Prompt maestro del capítulo
Capítulo 20 — Consultor de marketing IA
6 horas
Secciones:
20.1 — Marketing como campo de datos, creatividad y estrategia
20.2 — Análisis de audiencias y segmentación
20.3 — Generación de contenido multicanal
20.4 — Medición y optimización de campañas
20.5 — Casos de uso: agencias digitales con IA integrada
Laboratorio 23: Agente de campaña de marketing
Paso 1: Definir producto, audiencia y objetivo de campaña
Paso 2: Generar estrategia multicanal con el agente
Paso 3: Producir piezas de contenido (textos, ideas visuales)
Paso 4: Implementar seguimiento de métricas simulado
Paso 5: Iterar basado en resultados
Elementos didácticos:
Concepto clave: el agente como co-creador, no reemplazante
Diagrama: flujo de campaña asistida por IA
Autoevaluación: 5 preguntas
Prompt maestro del capítulo
PARTE B — SISTEMAS MULTIAGENTE
Capítulo 21 — Fundamentos de sistemas multiagente
8 horas
Secciones:
21.1 — Por qué un agente solo no es suficiente
21.2 — Orquestación vs. colaboración emergente
21.3 — Roles y jerarquías en sistemas multiagente
21.4 — Protocolos de comunicación entre agentes
21.5 — Patrones arquitecturales: hub-and-spoke, peer-to-peer, pipeline
Laboratorio 24: Dos agentes colaborando en tarea compartida
Paso 1: Diseñar dos agentes con roles complementarios
Paso 2: Implementar canal de comunicación entre ellos
Paso 3: Definir tarea que requiera colaboración
Paso 4: Ejecutar y observar intercambio
Paso 5: Documentar protocolo de comunicación emergente
Elementos didácticos:
Diagrama: arquitecturas multiagente comparadas
Concepto clave: emergencia vs. orquestación dirigida
Autoevaluación: 5 preguntas
Prompt maestro del capítulo
Capítulo 22 — Coordinación y negociación entre agentes
8 horas
Secciones:
22.1 — Conflicto entre agentes: causas y tipos
22.2 — Mecanismos de resolución: consenso, votación, árbitro
22.3 — Memoria compartida y pizarrón común
22.4 — Sincronización y gestión de estado distribuido
22.5 — Casos de uso: equipos de agentes en producción
Laboratorio 25: Equipo de 3-5 agentes resolviendo tarea compleja
Paso 1: Diseñar equipo con roles diferenciados
Paso 2: Implementar memoria compartida (ChromaDB)
Paso 3: Configurar mecanismo de votación para decisiones
Paso 4: Asignar tarea compleja de múltiples etapas
Paso 5: Evaluar coherencia del output colectivo
Elementos didácticos:
Concepto clave: coordinación sin coordinador central
Diagrama: flujo de negociación entre agentes
Autoevaluación: 5 preguntas
Prompt maestro del capítulo
Capítulo 23 — Organizaciones inteligentes con multiagentes
9 horas
Secciones:
23.1 — La universidad inteligente: agentes para gestión académica
23.2 — La empresa inteligente: agentes para operaciones
23.3 — El gobierno inteligente: agentes para servicios públicos
23.4 — Diseño de organizaciones híbridas: humanos y agentes
23.5 — Casos latinoamericanos documentados
Proyecto parcial: Sistema multiagente para caso real simulado
Elegir organización (universidad, empresa o gobierno)
Diseñar ecosistema de 4-6 agentes especializados
Implementar versión funcional mínima
Presentar ante grupo con demo en vivo
Elementos didácticos:
Caso de referencia: UAGRM como universidad inteligente simulada
Concepto clave: organización como sistema adaptativo complejo
Autoevaluación: 5 preguntas
Prompt maestro del capítulo
MÓDULO 4 — FÁBRICA DE AGENTES AUTÓNOMOS
55 horas | Capítulos 24 – 28
Capítulo 24 — Concepto y arquitectura de fábrica
8 horas
Secciones:
24.1 — Qué es una fábrica de agentes: definición técnica
24.2 — Entradas: requerimientos, datos, conocimiento base
24.3 — Procesos: diseño, ensamblaje, entrenamiento, evaluación
24.4 — Salidas: agentes listos para producción
24.5 — Métricas de fábrica: throughput, calidad, escalabilidad
24.6 — Comparativa: fábrica artesanal vs. fábrica sistematizada
Proyecto parcial: Plano de fábrica personal
Diseñar arquitectura completa en diagrama
Definir entradas, procesos y salidas propias
Especificar métricas de éxito
Elementos didácticos:
Diagrama: arquitectura completa de la fábrica
Concepto clave: reproducibilidad como valor de ingeniería
Autoevaluación: 5 preguntas
Prompt maestro del capítulo
Capítulo 25 — Ingeniería de agentes
13 horas
Secciones:
25.1 — Metodología de diseño sistemático de agentes
25.2 — Definición rigurosa de roles, objetivos y restricciones
25.3 — Selección de herramientas y stack tecnológico
25.4 — SDKs nativos vs. frameworks: criterios de decisión
25.5 — Documentación técnica del agente: estándar profesional
25.6 — Control de versiones de agentes
Proyecto parcial: Documento de diseño de ingeniería completo
Especificación técnica de un agente propio
Diagrama de arquitectura
Documentación de herramientas y dependencias
Plan de pruebas
Elementos didácticos:
Plantilla: documento de diseño de agente (estándar del libro)
Concepto clave: especificación como contrato de comportamiento
Autoevaluación: 5 preguntas
Prompt maestro del capítulo
Capítulo 26 — Entrenamiento, memoria y conocimiento
13 horas
Secciones:
26.1 — Bases documentales: selección, limpieza e indexación
26.2 — Estrategias de RAG avanzado: chunking, reranking, hybrid search
26.3 — Memoria persistente: diseño y gestión
26.4 — Memoria contextual: gestión de ventana de tokens
26.5 — Evaluación continua de la base de conocimiento
26.6 — Actualización y mantenimiento del conocimiento
Proyecto parcial: Base de conocimiento para fábrica personal
Seleccionar dominio y fuentes
Implementar pipeline de ingesta completo
Configurar RAG avanzado con reranking
Evaluar calidad de recuperación
Elementos didácticos:
Diagrama: pipeline RAG avanzado completo
Concepto clave: chunking como arte de la indexación
Comparativa: RAG básico vs. RAG avanzado
Autoevaluación: 5 preguntas
Prompt maestro del capítulo
Capítulo 27 — Calidad, evaluación y mejora continua
13 horas
Secciones:
27.1 — Indicadores clave: precisión, latencia, costo, satisfacción
27.2 — Pruebas unitarias para agentes: metodología
27.3 — Pruebas de integración en sistemas multiagente
27.4 — Optimización de prompts, herramientas y flujos
27.5 — Gobierno de agentes: versionado, rollback, monitoreo
27.6 — Ciclo de mejora continua: PDCA aplicado a agentes
Proyecto parcial: Sistema de evaluación para agentes propios
Definir suite de pruebas para agente del estudiante
Implementar métricas automáticas
Ejecutar ciclo de optimización
Documentar mejoras obtenidas
Elementos didácticos:
Plantilla: scorecard de evaluación de agente
Concepto clave: evaluación como proceso continuo, no evento único
Autoevaluación: 5 preguntas
Prompt maestro del capítulo
Capítulo 28 — Ingeniería de resiliencia y Laboratorio de Caos
8 horas
Secciones:
28.1 — Principios de Chaos Engineering aplicados a agentes
28.2 — Fallos de infraestructura: caída de APIs
28.3 — Fallos cognitivos: alucinaciones, derivas, bucles
28.4 — Fallos de datos: envenenamiento de memoria, RAG corrupto
28.5 — Patrones de resiliencia: circuit breakers, retries, fallbacks
28.6 — Sistemas antifrágiles: diseñar para aprender del fallo
Laboratorio de Caos 26: Inyección controlada de fallos
Escenario A: API principal cae → activar proveedor secundario
Escenario B: Agente alucina dato crítico → validación cruzada
Escenario C: Bucle infinito → circuit breaker activado
Escenario D: Memoria contaminada → detección y rollback
Documentación: registro de fallos y respuestas del sistema
Elementos didácticos:
Diagrama: mapa de fallos posibles en sistema agéntico
Concepto clave: antifrágil vs. robusto vs. frágil
Alerta: chaos engineering solo en entorno controlado
Autoevaluación: 5 preguntas
Prompt maestro del capítulo
MÓDULO 5 — ÉTICA, SEGURIDAD Y CIUDADANÍA DIGITAL
25 horas | Capítulos 29 – 31
Capítulo 29 — Ética aplicada a agentes autónomos
10 horas
Secciones:
29.1 — Sesgos algorítmicos: detección, medición y mitigación
29.2 — Transparencia y explicabilidad de decisiones
29.3 — Responsabilidad distribuida: diseñador, operador, usuario
29.4 — Alineamiento: cómo hacer que el agente quiera lo correcto
29.5 — Marcos éticos globales aplicados a Latinoamérica
Taller: Auditoría ética de un agente real
Aplicar rúbrica de evaluación ética de 20 criterios
Identificar sesgos presentes en outputs del agente
Proponer mejoras concretas
Presentar informe de auditoría
Elementos didácticos:
Rúbrica: 20 criterios de evaluación ética de agentes
Concepto clave: alineamiento como problema de diseño
Caso de estudio: fallo ético documentado en sistema real
Autoevaluación: 5 preguntas
Prompt maestro del capítulo
Capítulo 30 — Seguridad y privacidad en sistemas agénticos
8 horas
Secciones:
30.1 — Protección de datos personales: marcos legales relevantes
30.2 — Prompt injection: tipos, ejemplos y mitigación
30.3 — Jailbreaking: cómo funciona y cómo protegerse
30.4 — Envenenamiento de datos y memoria
30.5 — Gobernanza de agentes: políticas y cumplimiento
Taller: Pruebas de seguridad sobre agente propio
Ejecutar batería de ataques de inyección de prompts
Intentar jailbreak con 5 técnicas documentadas
Implementar defensas contra los vectores encontrados
Documentar vulnerabilidades y mitigaciones
Elementos didácticos:
Tabla: vectores de ataque y contramedidas
Concepto clave: defensa en profundidad para agentes
Alerta: nunca ejecutar pruebas de seguridad en producción
Autoevaluación: 5 preguntas
Prompt maestro del capítulo
Capítulo 31 — Ciudadanía digital en la era agéntica
7 horas
Secciones:
31.1 — Derechos digitales frente a sistemas autónomos
31.2 — Alfabetización crítica ante la IA
31.3 — Participación ciudadana en la gobernanza de IA
31.4 — Cultura tecnológica responsable en Latinoamérica
31.5 — El diseñador de agentes como actor social
Ensayo guiado: Manifiesto personal de ciudadanía digital
Estructura de 800-1200 palabras
Posición personal sobre 5 dilemas éticos concretos
Compromisos del diseñador de agentes con la sociedad
Elementos didácticos:
Caso de estudio: impacto social de agentes mal diseñados
Concepto clave: responsabilidad como extensión del diseño
Autoevaluación: 5 preguntas
Prompt maestro del capítulo
MÓDULO 6 — EMPRENDIMIENTO Y ECONOMÍA DE AGENTES
25 horas | Capítulos 32 – 34
Capítulo 32 — Modelos de negocio basados en agentes
10 horas
Secciones:
32.1 — Agentes como servicio (AaaS): arquitectura de producto
32.2 — Modelos de monetización: suscripción, pago por uso, licencias, white-label
32.3 — Análisis de startups reales 2023–2026
32.4 — Mercado latinoamericano: oportunidades y barreras
32.5 — De la idea al MVP agéntico: metodología lean
Proyecto parcial: Modelo de negocio para fábrica personal
Canvas de modelo de negocio agéntico
Análisis de mercado objetivo
Proyección financiera básica (año 1)
Estrategia de go-to-market
Elementos didácticos:
Plantilla: Canvas AaaS adaptado
Caso de estudio: startup latinoamericana de agentes IA
Concepto clave: unit economics en modelos de IA
Autoevaluación: 5 preguntas
Prompt maestro del capítulo
Capítulo 33 — Profesiones emergentes y futuro laboral
8 horas
Secciones:
33.1 — Arquitecto de agentes: rol, skills, demanda y salarios 2026
33.2 — Ingeniero de prompts y conocimiento
33.3 — Director de ecosistemas IA
33.4 — Evaluador de agentes y auditor ético IA
33.5 — Cómo construir portafolio profesional en IA agéntica
Taller: Plan de carrera personal en IA agéntica
Autoevaluación de competencias actuales
Definición de perfil profesional objetivo
Hoja de ruta de 12-24 meses
Estrategia de portafolio y visibilidad
Elementos didácticos:
Tabla: profesiones emergentes, skills requeridas, demanda proyectada
Concepto clave: el portafolio como credencial del diseñador de agentes
Autoevaluación: 5 preguntas
Prompt maestro del capítulo
Capítulo 34 — De la fábrica al mercado
7 horas
Secciones:
34.1 — Empaquetado de agentes para distribución
34.2 — Canales de distribución: plataformas, APIs, integraciones
34.3 — Relación con clientes: onboarding, soporte, iteración
34.4 — Mantenimiento y evolución del ecosistema agéntico
34.5 — Cierre del programa: visión de largo plazo
Presentación final simulacro:
Demo en vivo ante panel de evaluadores
Pitch de negocio de 5 minutos
Sesión de preguntas técnicas y comerciales
Elementos didácticos:
Checklist: criterios de un agente listo para producción
Concepto clave: producto vivo vs. proyecto terminado
Autoevaluación: 5 preguntas
Prompt maestro del capítulo
PROYECTO INTEGRADOR FINAL
40 horas
Fase 0 — Descubrimiento (5 horas)
Estructura:
Entrevista estructurada a cliente real o stakeholder simulado
Plantilla de levantamiento de requerimientos funcionales
Plantilla de levantamiento de requerimientos no funcionales
Documento de definición del problema
Validación con instructor antes de avanzar
Fase 1 — Construcción del ecosistema (25 horas)
Entregables obligatorios:
Componente
Criterios de evaluación
Agente personal
Funcional, documentado, con pruebas
Agente profesional
Alineado al campo del estudiante
Agente especializado
Tarea compleja resuelta
Sistema multiagente
2-3 agentes con colaboración demostrada
Mini-fábrica
Sistema de diseño-entrenamiento-evaluación
Plan de negocio
Canvas + proyección + go-to-market
Auditoría ética
Rúbrica de 20 criterios completada
Validación con cliente
Demo + feedback + iteración documentada
Fase 2 — Pruebas de resiliencia (5 horas)
Estructura:
Ejecutar los 4 escenarios del Laboratorio de Caos sobre ecosistema propio
Registro de fallos inyectados
Registro de respuestas del sistema
Análisis de puntos de mejora
Informe de resiliencia
Fase 3 — Defensa pública (5 horas)
Estructura:
Presentación técnica: 15 minutos
Demo en vivo: 10 minutos
Sesión de preguntas panel: 10 minutos
Retroalimentación del cliente invitado: 10 minutos
Rúbrica de evaluación final: 100 criterios ponderados
SECCIONES FINALES DEL LIBRO
Epílogo — El diseñador de agentes como profesión del futuro
Glosario técnico — 150 términos definidos con precisión
Índice de laboratorios y proyectos
Índice de prompts maestros (35 plantillas)
Bibliografía y recursos recomendados
Sobre el autor
Apéndice A — Plantillas y rúbricas descargables
Apéndice B — Stack tecnológico completo con versiones
Apéndice C — Guía de instalación por sistema operativo
RESUMEN ESTRUCTURAL DEL LIBRO
Elemento
Cantidad
Tomos
2
Módulos
6 + Proyecto
Capítulos
35
Secciones totales
~210
Laboratorios
25 + Lab de Caos
Proyectos parciales
6
Prompts maestros
35
Rúbricas
3 principales + por capítulo
Páginas estimadas
700–850
