burnisoftAI Agent Engineer
Construye agentes de IA de nivel profesional: desde cómo funciona un LLM por dentro hasta RAG, herramientas y sistemas multi-agente en producción.
- Proyecto real en cada módulo
- Acceso inmediato sin cuenta
- A tu propio ritmo, 100% online
Tecnologías y conceptos
- LLMs
- Azure AI Foundry
- Semantic Kernel
- LangChain
- MCP
- RAG
- Multi-agente
- Evaluación
- Producción
Este curso te lleva de entender cómo funciona un modelo de lenguaje a construir agentes que trabajan de verdad: consultan datos, usan herramientas y se conectan con los sistemas de una empresa.
Cada módulo cierra con un proyecto real que puedes armar con lo aprendido. No hay registro ni costo: abre la primera lección y empieza.
¿Para quién es?
Para desarrolladores que ya programan y quieren dar el salto a construir con IA. No necesitas experiencia previa con LLMs, pero sí sentirte cómodo leyendo código.
Lo que vas a construir, módulo a módulo
- Abrir módulo
Preparación del entorno
5 min de lecturaTodo lo que necesitas antes de la primera lección: Python, un entorno virtual, tu API key de OpenAI y un hello-world que confirma que todo funciona.
Requisitos previosInstalar PythonEntorno virtualAPI key de OpenAIVariables de entornoVerificación - Abrir módulo
Fundamentos de los Large Language Models
54 min de lecturaCómo funciona un LLM por dentro y las seis piezas sobre las que se construye todo agente de IA: generación autoregresiva, tokens, context window, temperature, embeddings, function calling y structured outputs.
Proyecto: Un chat de terminal con memoria que gestiona historial, tokens y costosCómo funcionan los modelosTokensContext windowTemperatureEmbeddingsFunction callingStructured outputs - Abrir módulo
Azure AI Foundry
37 min de lecturaLa plataforma donde las empresas despliegan LLMs de verdad: deployments, cuotas, autenticación con Entra ID, filtros de Content Safety, evaluación con métricas y routing de modelos.
Proyecto: Un agente empresarial sobre GPT-4.1 con Entra ID y tools corporativasAzure OpenAIDeploymentsContent SafetyPrompt FlowEvaluationsModel Router - Abrir módulo
Semantic Kernel
29 min de lecturaEl SDK de orquestación de Microsoft: del bucle agéntico escrito a mano a una aplicación estructurada con kernel, plugins, invocación automática de funciones y filtros.
Proyecto: Un asistente de RR. HH. con plugins de empleados y vacacionesKernelServicios de IAPluginsFunciones nativas y de promptFunctionChoiceBehaviorChatHistoryStreamingFiltrosAgentes - Abrir módulo
LangChain
25 min de lecturaEl orquestador de código abierto más extendido de la industria: el contrato Runnable, cadenas con LCEL, tool calling, agentes con create_agent, memoria con checkpointers y cómo se traduce todo lo aprendido con Semantic Kernel.
Proyecto: El asistente de RR. HH. del módulo 3 reconstruido en LangChainlangchain-coreRunnablesLCELChatPromptTemplateSalida estructuradaTool callingcreate_agentLangGraphCheckpointersStreamingCallbacks - Abrir módulo
MCP (Model Context Protocol)
28 min de lecturaEl protocolo abierto que estandariza cómo los agentes se conectan con herramientas y datos: arquitectura host-cliente-servidor, las tres primitivas, transportes stdio y HTTP, OAuth 2.1 y las nuevas superficies de ataque que trae consigo.
Proyecto: Tres servidores MCP reales (PostgreSQL, GitHub y SharePoint) en un mismo agenteJSON-RPCHost-cliente-servidorToolsResourcesPromptsFastMCPstdioStreamable HTTPMCP InspectorOAuth 2.1Seguridad de agentes - Abrir módulo
Herramientas (Tools)
33 min de lecturaEl oficio de diseñar buenas herramientas para agentes y conectarlas a los sistemas reales de una empresa: APIs, bases de datos, Microsoft Graph, Azure Functions y mensajería.
Proyecto: Un agente que administra una empresa: consulta datos, envía correos y agenda reunionesDiseño de herramientasEsquemas y validaciónErrores accionablesIdempotenciaREST y GraphQLBases de datosMicrosoft GraphAzure FunctionsTeams, Slack y GmailConfirmación humana - Abrir módulo
RAG (Retrieval-Augmented Generation)
31 min de lecturaCómo dar a un modelo el conocimiento que no memorizó —los documentos de tu empresa— recuperando en el momento de la pregunta solo los fragmentos relevantes, con citas verificables y respetando quién puede ver qué.
Proyecto: Un sistema RAG sobre los documentos de SharePoint, con citas y recorte por permisosPipeline de ingestiónFragmentaciónEmbeddings y similitudBases de datos vectorialesBúsqueda híbridaRerankingCitas y anclajeSecurity trimmingRAG agénticoEvaluación - Abrir módulo
Sistemas Multi-Agente
30 min de lecturaCuándo y cómo repartir un problema entre varios agentes especializados que un orquestador coordina, con las fronteras de privilegio, los límites de costo y las condiciones de parada que hacen que un equipo de agentes sea mejor que uno solo en lugar de más caro y más frágil.
Proyecto: Convertir el Employee AI Assistant en un equipo orquestado de especialistasAgente especialistaSupervisorSecuencial y paraleloJerárquicoTraspaso, enjambre (swarm) y agente-como-herramientaEstado compartidoCosto y latenciaModos de falloMínimo privilegioHumano en el bucleEvaluación de trayectorias - Abrir módulo
Evaluación (Evaluation)
28 min de lecturaCómo medir de verdad si un agente funciona, cuando sus respuestas son abiertas, no deterministas y a menudo sin una única respuesta correcta: conjuntos de prueba, familias de métricas, el juez basado en modelo, la evaluación por componentes y de extremo a extremo, las trazas que la hacen posible y la regresión que impide que una mejora rompa algo en silencio.
Proyecto: Un banco de pruebas automatizado para el Employee AI Assistant multi-agenteConjunto doradoMétricas deterministasSimilitud por embeddingsLLM como juezCalibración humanaComponentes y end-to-endTríada de RAGTrayectorias de agenteTrazas y observabilidadEvaluación adversarialRegresión - Abrir módulo
Producción
31 min de lecturaConvertir un sistema de agentes que funciona en tu máquina en un servicio real: empaquetado con Docker, despliegue en Azure Container Apps, estado en PostgreSQL, caché en Redis, seguridad con identidades administradas, observabilidad con OpenTelemetry y control de costos como disciplina de ingeniería.
Proyecto: Desplegar el sistema multi-agente del módulo 8 en producción en AzureFastAPIDockerKubernetesAzure Container AppsAzure FunctionsPostgreSQLRedisSeguridadObservabilidadCostosResilienciaCI/CD