Curso de agentes de IA generativa

Curso de desarrollo de Agentes de IA Generativa para developers.

Creación de agentes con tools, short-term memory, long-term memory, RAG, Middlewares.

Autor: Alan Sastre

Contenido

• Curso de agentes de IA generativa
  • Autor: Alan Sastre
  • Contenido
  • Descripcion general
  • Requisitos previos
  • Instalacion
    • 1. Instalar uv
    • 2. Clonar el repositorio e instalar Python
    • 3. Crear entorno virtual e instalar dependencias
    • 4. Configurar variables de entorno
  • Estructura del repositorio
  • Modulos del curso
    • 01 - Landscape
    • 02 - Crear un agente
    • 03 - Contexto y memoria
    • 04 - Proyecto completo
  • Tecnologias utilizadas
  • Contribuir
  • Licencia

---

Descripcion general

Este curso proporciona una guía completa para construir agentes de IA generativa, abordando tanto la teoría como la práctica. El contenido está estructurado de forma progresiva:

1. Fundamentos teóricos: qué es un agente, el paradigma ReAct, diferencias entre LLM y agente, y el concepto de Agent Engineering.
2. Creación de agentes: configuración del entorno, uso de create_agent, herramientas (tools) y salidas estructuradas.
3. Contexto y memoria: memoria a corto y largo plazo, middleware, RAG con bases de datos vectoriales, MCP y subagentes.
4. Proyecto de producción: API REST completa con FastAPI que implementa un asistente de soporte con supervisor, subagentes especializados, RAG y persistencia en PostgreSQL.

El curso utiliza LangChain 1.x como framework principal debido a su madurez, flexibilidad y la API simplificada create_agent introducida en la versión 1.0.

---

Requisitos previos

• Python 3.13.5 o superior
• uv como gestor de paquetes y entornos virtuales
• Docker y Docker Compose para bases de datos
• Ollama (opcional) para modelos locales
• Cuenta de OpenAI con API key
• Cuenta de Tavily con API key (plan gratuito disponible)

---

Instalacion

1. Instalar uv

Windows (PowerShell):

powershell -ExecutionPolicy ByPass -c "irm https://astral.sh/uv/install.ps1 | iex"

Linux / macOS:

curl -LsSf https://astral.sh/uv/install.sh | sh

2. Clonar el repositorio e instalar Python

git clone https://github.com/tu-usuario/genai-agents.git
cd genai-agents

uv python install 3.13.5

3. Crear entorno virtual e instalar dependencias

uv venv --python 3.13.5

Windows:

.venv\Scripts\activate

Linux / macOS:

source .venv/bin/activate

uv add -r requirements.txt

4. Configurar variables de entorno

Copia el archivo de ejemplo y configura tus claves de API:

cp .env.example .env

Edita .env con tus credenciales:

OPENAI_API_KEY=sk-...
TAVILY_API_KEY=tvly-...

---

Estructura del repositorio

genai-agents/
├── 01-landscape/           # Fundamentos teóricos
│   ├── 01-fundamentos.ipynb
│   └── 02-agent-sdks.ipynb
├── 02-create-agent/        # Creación de agentes
│   ├── 01-setup.ipynb
│   ├── 02-create-agent.ipynb
│   ├── 03-tools.ipynb
│   └── 04-agent-structured-outputs.ipynb
├── 03-context/             # Memoria y contexto
│   ├── 01-short_term_memory.ipynb
│   ├── 02-long_term_memory.ipynb
│   ├── 03-middleware-builtin.ipynb
│   ├── 04-middleware-custom.ipynb
│   ├── 05-rag.ipynb
│   ├── 06-mcp.ipynb
│   ├── 07-subagents.ipynb
│   └── docker-compose-*.yml
├── 04-proyecto/            # Proyecto completo
│   ├── app/
│   │   ├── agents/         # Supervisor, subagentes, tools, RAG
│   │   ├── api/            # Endpoints REST
│   │   ├── core/           # Configuración
│   │   ├── schemas/        # Modelos Pydantic
│   │   └── services/       # Lógica de negocio
│   ├── docs/               # Documentación ficticia para RAG
│   ├── docker-compose.yml
│   └── README.md
├── .env.example
├── .gitignore
├── pyproject.toml
├── requirements.txt
└── README.md

---

Modulos del curso

01 - Landscape

Introducción teórica al mundo de los agentes de IA.

Notebook	Contenido
01-fundamentos.ipynb	Definición de agente, ciclo percepción-razonamiento-acción, origen histórico (Chain of Thought, ReAct, Toolformer), diferencias entre LLM y agente, componentes de un agente, Agent Engineering
02-agent-sdks.ipynb	Comparativa de SDKs: LangChain/LangGraph, OpenAI Agents SDK, Google ADK, Anthropic Claude Agent SDK, CrewAI

Conceptos clave:

• El bucle de agente (agent loop)
• Paradigma ReAct (Reasoning + Acting)
• Herramientas, memoria y planificación
• Model Context Protocol (MCP)
• Observabilidad y trazabilidad

02 - Crear un agente

Configuración del entorno y primeros pasos con agentes.

Notebook	Contenido
01-setup.ipynb	Instalación de uv, Python, LangChain, Ollama y Tavily
02-create-agent.ipynb	Uso de create_agent, parámetros, system prompt, gestión de mensajes
03-tools.ipynb	Definición de herramientas con decoradores, integración de Tavily Search
04-agent-structured-outputs.ipynb	Generación de respuestas con esquemas predefinidos

Ejemplo básico:

from langchain.agents import create_agent

agent = create_agent("gpt-5-nano")

response = agent.invoke({
    "messages": [{"role": "user", "content": "¿Cuánto es 1 + 1?"}]
})

03 - Contexto y memoria

Gestión del estado y conocimiento del agente.

Notebook	Contenido
01-short_term_memory.ipynb	Memoria de conversación con InMemorySaver, SqliteSaver y PostgresSaver
02-long_term_memory.ipynb	Perfil y preferencias persistentes con PostgresStore
03-middleware-builtin.ipynb	Middleware integrado de LangChain
04-middleware-custom.ipynb	Middleware personalizado para logging, validación y aprobación humana
05-rag.ipynb	Retrieval-Augmented Generation con PGVector y embeddings de OpenAI
06-mcp.ipynb	Model Context Protocol para interoperabilidad de herramientas
07-subagents.ipynb	Arquitecturas multiagente con supervisor y delegación

Tipos de memoria:

• Corto plazo (checkpointer): historial de la conversación actual, persiste por thread_id
• Largo plazo (store): perfil y preferencias del usuario, persiste por user_id

04 - Proyecto completo

API REST de soporte al cliente que integra todos los conceptos del curso.

Arquitectura:

┌─────────────────────────────────────────────────────────────┐
│                        FastAPI                              │
├─────────────────────────────────────────────────────────────┤
│  POST /conversations        Crear conversación              │
│  POST /conversations/{id}/messages   Enviar mensaje         │
│  GET/PUT /users/{id}/profile         Perfil usuario         │
│  GET /tickets                        Listar tickets         │
│  POST /admin/index-docs              Indexar RAG            │
└─────────────────────────────────────────────────────────────┘
                              │
                              ▼
┌─────────────────────────────────────────────────────────────┐
│                      Supervisor                             │
│  (Agente principal que delega a subagentes)                 │
├──────────────────────┬──────────────────────────────────────┤
│   Subagente técnico  │        Subagente comercial           │
│   - RAG documentación│        - RAG políticas               │
│   - Búsqueda web     │        - Precios y garantías         │
└──────────────────────┴──────────────────────────────────────┘
                              │
                              ▼
┌─────────────────────────────────────────────────────────────┐
│                     PostgreSQL (pgvector)                   │
├─────────────────────────────────────────────────────────────┤
│  Checkpointer: memoria a corto plazo (conversaciones)       │
│  Store: memoria a largo plazo (perfiles)                    │
│  PGVector: embeddings para RAG                              │
└─────────────────────────────────────────────────────────────┘

Herramientas del agente:

• buscar_en_documentacion: búsqueda semántica en la base de conocimiento (RAG)
• buscar_en_web: búsqueda en internet con Tavily
• crear_ticket: creación de tickets de soporte
• guardar_preferencia: persistir preferencias del usuario

Ejecución:

cd 04-proyecto

# Levantar PostgreSQL con pgvector
docker-compose up -d

# Configurar variables de entorno
cp .env.example .env
# Editar .env con OPENAI_API_KEY y TAVILY_API_KEY

# Instalar dependencias e iniciar
uv sync
uv run fastapi dev app/main.py

# Abrir Swagger UI
# http://127.0.0.1:8000/docs

Consulta el README del proyecto para una guía detallada de verificación paso a paso.

---

Tecnologias utilizadas

Categoría	Tecnología	Versión	Descripción
Lenguaje	Python	3.13.5	Lenguaje principal
Gestor de paquetes	uv	-	Gestor moderno de entornos y dependencias
Framework de agentes	LangChain	1.2.10	Framework principal para agentes
Grafos de estado	LangGraph	1.0.9	Control de flujo y checkpointing
API REST	FastAPI	0.133.1	Framework web asíncrono
LLM	OpenAI GPT-5-nano	-	Modelo de lenguaje principal
Embeddings	text-embedding-3-small	-	Embeddings para RAG
Búsqueda web	Tavily	-	API de búsqueda optimizada para agentes
Base de datos	PostgreSQL + pgvector	-	Persistencia y búsqueda vectorial
Contenedores	Docker Compose	-	Orquestación de servicios
Modelos locales	Ollama	-	Ejecución local de modelos (opcional)
Observabilidad	LangSmith	-	Trazabilidad y evaluación (opcional)

---

Contribuir

Las contribuciones son bienvenidas. Por favor:

1. Haz fork del repositorio
2. Crea una rama para tu funcionalidad (git checkout -b feature/nueva-funcionalidad)
3. Realiza tus cambios y haz commit (git commit -m "Añade nueva funcionalidad")
4. Sube la rama (git push origin feature/nueva-funcionalidad)
5. Abre un Pull Request

---

Licencia

MIT.