Sobre el curso¶
Nota
Versión académica 1.3 (15/10/2026) · 5 etapas · 18 módulos · 233 lecciones (183 en la ruta esencial) · 10 proyectos · 486 h, unas 390 h en la ruta esencial (526 h con electivas).
Esta sección explica cómo está pensado el curso: sus principios, cuánto tiempo lleva y qué vas a poder hacer al terminar. Para recorrerlo, usá la Ruta.
| Página | Qué contiene |
|---|---|
| Cómo se aprueba | Cuándo una lección, un módulo o un proyecto están completos |
| Versiones y cambios | Cómo cambia el programa y qué hacer con tu avance |
Principios de diseño¶
- Usar con criterio antes de construir. Cada herramienta importante se aprende primero a usar y configurar (Nivel 1) y después a desarrollar (Nivel 2). Ver Nivel 1 y Nivel 2.
- Modelo mental antes que receta. Incluso en Nivel 1 se explica qué resuelve cada herramienta, cómo funciona por dentro a nivel conceptual y cuándo no conviene. Así podés evaluar herramientas nuevas sin depender de tutoriales.
- Concepto general → implementación específica. Cada tema separa lo transferible (por ejemplo, "tool calling") de cómo lo implementa cada plataforma (Claude, OpenAI, Gemini, Spring AI).
- Construir desde cero antes de usar frameworks. En Nivel 2 construís un agente con un bucle propio antes de usar un SDK de agentes, y un servidor MCP con el SDK antes de usar abstracciones de alto nivel.
- Multiplataforma. El curso no depende de ninguna plataforma: un tutor de IA es opcional y el contenido es independiente de él. Las herramientas principales de práctica son Claude y ChatGPT (asistentes), Claude Code y Codex (agentes de programación), con Gemini y modelos locales (Ollama) donde aportan valor. Se priorizan los estándares abiertos (MCP, Agent Skills, AGENTS.md, A2A, OpenTelemetry). Ninguna herramienta entra al temario solo por ser popular: cada una tiene una justificación pedagógica.
- Regla de ejercicios multiplataforma: una actividad se repite en otra plataforma solo cuando la comparación enseña una diferencia técnica relevante (permisos, contexto, formato de configuración, costos). En los demás casos, las plataformas se alternan entre ejercicios y proyectos para no duplicar trabajo.
- Común vs. específico: cada lección de herramientas separa lo común a todos los agentes o asistentes de lo propio de cada implementación. No se atribuye a una herramienta una función de otra sin verificarla en su documentación.
- Seguridad, evaluación y costos desde el inicio, como hilos en todos los módulos.
- Python como lenguaje principal de laboratorio y Java como segundo lenguaje en los módulos de integración (M6, M8 opcional, M10 y M14), por su presencia habitual en entornos empresariales.
- Gratis o barato por defecto. Ollama, niveles gratuitos de API, n8n y pgvector autohospedados. Lo pago se avisa siempre.
Usar antes de construir: Nivel 1 y Nivel 2¶
| Herramienta o capacidad | Nivel 1: utilización y configuración | Nivel 2: desarrollo y profundización |
|---|---|---|
| Asistentes (Claude con capacidades de Cowork, ChatGPT con Work, Gemini) | M3 | Base conceptual en M6, M7 y M9 |
| Proyectos, instrucciones, memoria y contexto | M3 (como persona usuaria) | M7 Context Engineering |
| Connectors y servidores MCP | M3 (conectar y configurar existentes) | M10 (construir servidores y clientes) |
| Skills y plugins | M3 y M4 (instalar, usar, evaluar, revisar) | M11 (primera skill propia en el agente de programación) y M12 (crear, empaquetar, distribuir) |
| Agentes de programación (Claude Code y Codex; Gemini CLI u OpenCode como opciones locales) | M4 (uso guiado y configuración básica de ambos) | M11 (arquitectura, permisos, MCP, skills, automatización y CI en ambos) |
| Automatización con n8n | M5 (workflows deterministas) | M13 (LLM, agentes, RAG y MCP en n8n) |
| Delegación de tareas complejas | M3 y M4 (especificar, supervisar, verificar) | M9, M14 y M15 (construir agentes que delegan) |
| Multimodalidad y agentes de computadora/navegador | M3 (usar con criterio y seguridad) | Electiva E1 (desarrollar) |
Regla pedagógica: un módulo de Nivel 2 empieza repasando en 15 minutos lo usado en Nivel 1 y después "abre la caja": cómo está construido, cómo construir un equivalente propio y cuándo conviene cada opción.
Mapa de aprendizaje¶
El mapa interactivo de módulos y prerrequisitos está en Ruta.
Módulos y horas¶
Las horas son estimaciones realistas para estudio autónomo con práctica real (no lectura pasiva). Incluyen ejercicios y proyectos.
Las electivas no tienen lecciones numeradas: su desglose se define al elegirlas.
Margen realista: sumá alrededor de un 10% para repasos espaciados, refuerzos y actualizaciones del ecosistema: unas 580 horas con electivas.
| Dedicación semanal | Núcleo (486 h) | Con electivas y margen (~580 h) |
|---|---|---|
| 6 h/semana | ~19 meses | ~22 meses |
| 10 h/semana | ~11 meses | ~13 meses |
| 15 h/semana | ~7,5 meses | ~9 meses |
Hilos transversales¶
| Hilo | Qué se trabaja en cada módulo |
|---|---|
| 🔒 Seguridad y privacidad | Qué datos entran al modelo, manejo de credenciales, permisos mínimos y amenazas específicas del tema. |
| 📏 Evaluación | Cómo saber si funciona: desde comparar resultados a mano (M2, M3) hasta suites de evals automatizadas (M16). |
| 💰 Costos y rendimiento | Tokens, latencia, planes, elección de modelo y caché. Cada proyecto registra su costo. |
| 🧭 Criterio técnico | Cuándo usar esto, cuándo no y qué alternativas hay. Cada módulo cierra con una "matriz de decisión". |
Perfil de egreso¶
Uso profesional - Usar con eficacia, seguridad y criterio asistentes (Claude, ChatGPT, Gemini y opciones locales), agentes de programación (Claude Code y Codex) y automatizaciones, configurando proyectos, memoria, connectors, servidores MCP, skills y plugins en cada plataforma. - Delegar tareas complejas con especificación clara, supervisión y verificación de resultados.
Comprensión - Explicar cómo funciona un LLM (tokens, atención, contexto, muestreo, entrenamiento) y usar ese modelo mental para predecir y diagnosticar comportamientos. - Distinguir modelo, producto, harness, workflow, agente y sistema multiagente.
Diseño y criterio - Elegir entre prompt, RAG, herramientas, agente, workflow, fine-tuning o una combinación, justificando costo, riesgo y beneficio. - Elegir plataformas, modelos, frameworks y mecanismos de extensión (skill, MCP, subagente, hook, plugin o A2A) con criterios explícitos, y evaluar herramientas nuevas sin depender de tutoriales.
Construcción - Integrar LLM en software propio (Python y Java) con salidas estructuradas, tool calling, manejo de errores y portabilidad. - Diseñar y gestionar el contexto; construir RAG evaluado; construir agentes desde cero y con frameworks; construir y desplegar servidores y clientes MCP; crear y distribuir skills y plugins; automatizar procesos con n8n combinando lógica determinista, LLM y agentes; diseñar sistemas multiagente cuando estén justificados.
Producción - Modelar amenazas y mitigar los riesgos del OWASP Top 10 LLM y agéntico; gestionar credenciales, permisos y privacidad. - Diseñar suites de evaluación e integrarlas en CI; instrumentar sistemas con trazas y medir costo, latencia y calidad. - Mantener sistemas ante cambios de modelos, API y especificaciones.