zero2hero Página del curso →

Temario · Programa profesional 2027

AI Engineer Sistemas LLM, RAG y Agentes en Producción

De desarrollador de software a AI Engineer: diez meses para aprender a diseñar, evaluar, desplegar y operar sistemas con LLM, RAG y agentes que funcionan en producción, no solo en demos. Primero fundamentos durables, después frameworks, y cada mes un entregable técnico que puedes mostrar.

Inscribirme Dudas por WhatsApp Versión en PDF

Proyecto aplicado

Así se trabaja un proyecto de AI Engineer

La estructura de trabajo de un proyecto aplicado: los pasos, conceptos y frameworks que recorremos en el programa, explicados de principio a fin. Dale play aquí mismo.

Video · 11:42AI Engineer - Proyecto Aplicado

Cómo se aprende

Una fase por mes, una sesión en vivo cada sábado

La clase en vivo presenta el modelo mental y las decisiones de arquitectura; el trabajo asincrónico lleva esas ideas a implementación, práctica y evidencia. Los meses con cinco sábados incluyen un laboratorio o una revisión técnica adicional.

Sesión en vivo: 1 hora por semana Trabajo asincrónico: 2 a 3 horas por semana Proyecto mensual: 3 a 6 horas adicionales Dedicación total: 12 a 18 horas por mes

Roadmap 2027

10 fases · 10 meses · 44 sesiones en vivo

Construir antes de abstraer: SDKs directos antes que frameworks. Medir antes de optimizar: calidad, latencia y costo desde el inicio.

  1. 01 · EneroIngeniería de Software para Sistemas de IA
  2. 02 · FebreroFundamentos de ML, Transformers y LLMs
  3. 03 · MarzoAPIs de LLM, Tool Calling y Salidas Estructuradas
  4. 04 · AbrilRAG y Retrieval Engineering
  5. 05 · MayoArquitectura de Agentes y Sistemas con Herramientas
  6. 06 · JunioLangGraph y Orquestación Durable
  7. 07 · JulioLangChain, Deep Agents y Context Engineering
  8. 08 · AgostoEvaluación, Observabilidad y LangSmith
  9. 09 · SeptiembreProducción, LLMOps, Seguridad y Escalabilidad
  10. 10 · OctubreCapstone, System Design y Preparación Profesional
  1. Fase 01Enero · Base técnica

    Ingeniería de Software para Sistemas de IA

    Construir aplicaciones de IA confiables exige dominar primero los fundamentos de backend, APIs, datos, concurrencia, pruebas y despliegue. Esta fase crea la base sobre la que descansa todo el programa.

    Al terminar: puedes diseñar, probar, contenerizar y depurar una API sin depender de un framework de IA.

    1. 2 eneArquitectura backend moderna: Python profesional, entornos, tipado, módulos y diseño de APIs.
    2. 9 eneFastAPI, REST, validación, asincronía, concurrencia y manejo de errores.
    3. 16 enePostgreSQL, modelado relacional, índices, transacciones y SQL para productos de IA.
    4. 23 eneDocker, configuración, secretos, logging, testing y CI/CD.
    5. 30 eneLaboratorio integrador: API productiva con PostgreSQL, Docker y pruebas.

    Entregable del mes: API profesional de tareas o documentos con autenticación básica, PostgreSQL, pruebas, Docker y README arquitectónico.

  2. Fase 02Febrero · Fundamentos

    Fundamentos de Machine Learning, Transformers y LLMs

    No se requiere ser investigador, pero sí comprender cómo representan información los modelos, cómo generan texto y qué límites explican su comportamiento, costo y latencia.

    Al terminar: puedes explicar el flujo token → embedding → attention → logits → siguiente token, y distinguir problemas de modelo de problemas de sistema.

    1. 6 febDe ML clásico a redes neuronales: funciones de pérdida, entrenamiento, overfitting e inferencia.
    2. 13 febEmbeddings, similitud coseno, espacios vectoriales y representación semántica.
    3. 20 febTransformers: tokenización, atención, capas, logits y predicción del siguiente token.
    4. 27 febLLMs en producción: contexto, sampling, KV cache, fine-tuning vs prompting vs RAG.

    Entregable del mes: notebook explicativo que compare embeddings, estrategias de sampling y efectos de contexto con resultados reproducibles.

  3. Fase 03Marzo · Aplicaciones LLM

    APIs de LLM, Tool Calling y Salidas Estructuradas

    Antes de usar abstracciones, dominas la interacción directa con modelos: prompts, mensajes, tools, JSON estructurado, streaming, errores, costos y concurrencia.

    Al terminar: puedes construir un loop de herramientas sin LangChain y recuperarte de argumentos inválidos, errores o timeouts.

    1. 6 marSDKs de modelos, mensajes, roles, contexto, streaming y control de generación.
    2. 13 marStructured outputs, JSON Schema, Pydantic y validación de respuestas.
    3. 20 marTool y function calling desde cero: ciclo modelo → tool → observación → modelo.
    4. 27 marConfiabilidad: retries, timeouts, rate limits, batching, caché y token accounting.

    Entregable del mes: asistente con SDK directo, tres o más herramientas, salida tipada, streaming, retries y métricas de costo y latencia.

  4. Fase 04Abril · RAG

    RAG y Retrieval Engineering

    RAG no es «poner documentos en un vector DB». La calidad depende de ingestión, chunking, índices, búsqueda híbrida, reranking, contexto y evaluación de retrieval.

    Al terminar: puedes localizar si una falla proviene de ingestión, retrieval, ranking, contexto o generación, y demostrarlo con métricas.

    1. 3 abrArquitectura RAG: ingestión, parsing, chunking, embeddings, índices y generación.
    2. 10 abrDense retrieval, BM25, búsqueda híbrida, metadata filters y pgvector.
    3. 17 abrReranking, query rewriting, context packing, citas y permisos por documento.
    4. 24 abrEvaluación RAG: recall@k, precision@k, MRR, nDCG, datasets y diagnóstico de fallas.

    Entregable del mes: RAG evaluado con corpus real, búsqueda híbrida, reranking, citas y dataset de evaluación reproducible.

  5. Fase 05Mayo · Agentes

    Arquitectura de Agentes y Sistemas con Herramientas

    Un agente es un sistema de ejecución alrededor de un modelo. Lo esencial es diseñar estado, herramientas, permisos, control de flujo, recuperación y criterios de finalización.

    Al terminar: puedes dibujar el sistema como una máquina de estados y justificar cuándo un agente aporta valor y cuándo no.

    1. 1 mayQué es y qué no es un agente: ReAct, planificación, routing y workflows deterministas.
    2. 8 mayEstado, memoria, loops, stopping conditions, retries y presupuestos.
    3. 15 mayDiseño de tools: contratos, permisos, idempotencia, side effects y aprobación humana.
    4. 22 mayMCP, trust boundaries y patrones multiagente: supervisor, handoffs y especialistas.
    5. 29 mayLaboratorio: agente con herramientas, aprobación humana y recuperación de fallas.

    Entregable del mes: agente operativo con cuatro o más tools, permisos explícitos, aprobación humana, límites de costo y pasos, y recuperación de errores.

  6. Fase 06Junio · LangGraph

    LangGraph y Orquestación Durable

    LangGraph hace explícitos estado, nodos, transiciones, persistencia, interrupciones y ejecución de larga duración. Se estudia como runtime de orquestación, no como «magia de agentes».

    Al terminar: puedes explicar cada nodo, transición y campo de estado, y escoger entre un grafo y una función determinista con criterio.

    1. 5 junStateGraph: state schemas, nodes, edges, conditional routing y reducers.
    2. 12 junCycles, tool nodes, subgraphs, parallel branches y control de pasos.
    3. 19 junCheckpoints, persistence, interrupts, human-in-the-loop y resume.
    4. 26 junPatrones de producción: side effects seguros, durable execution, trace IDs y recovery.

    Entregable del mes: workflow LangGraph persistente que sobreviva reinicios, pause para aprobación y reanude sin duplicar efectos.

  7. Fase 07Julio · Ecosistema

    LangChain, Deep Agents y Context Engineering

    LangChain se estudia como capa de integración; Deep Agents como patrón para trabajo de mayor horizonte, delegación, filesystem y contexto. El objetivo es fluidez sin dependencia.

    Al terminar: puedes usar LangChain productivamente, justificar Deep Agents y bajar a LangGraph o Python cuando la abstracción deja de ayudar.

    1. 3 julLangChain moderno: models, messages, tools, middleware, retrievers y structured output.
    2. 10 julAbstraction boundaries: cuándo usar LangChain, LangGraph o Python directo.
    3. 17 julDeep Agents: planning, subagents, filesystem, context isolation y delegation.
    4. 24 julContext engineering: selección, compresión, memoria, scratchpads y presupuestos.
    5. 31 julLaboratorio comparativo: la misma tarea con abstracciones distintas y análisis de trade-offs.

    Entregable del mes: research o deep-work agent con subagentes, contexto aislado, artifacts y un documento explícito de decisiones arquitectónicas.

  8. Fase 08Agosto · Evaluación

    Evaluación, Observabilidad y LangSmith

    Un sistema de IA que no se mide no puede mejorarse. La evaluación forma parte de desarrollo, CI, releases y monitoreo de producción.

    Al terminar: no afirmas que una versión «es mejor» sin dataset, medición y evidencia reproducible.

    1. 7 agoDiseño de datasets: casos representativos, edge cases, etiquetas y failure taxonomy.
    2. 14 agoEvaluadores: reglas, métricas, humanos y LLM-as-judge; sesgos y límites.
    3. 21 agoLangSmith: traces, datasets, experiments, feedback y comparación de versiones.
    4. 28 agoRegression testing, release gates, online monitoring y métricas de producto vs sistema.

    Entregable del mes: suite de evaluación conectada a LangSmith con dataset, experimentos comparativos, dashboards y criterio de release.

  9. Fase 09Septiembre · Producción

    Producción, LLMOps, Seguridad y Escalabilidad

    Esta fase transforma demos impresionantes en servicios que una organización puede operar: seguros, observables, escalables, tolerantes a fallas y financieramente controlados.

    Al terminar: puedes explicar cómo se comporta el sistema ante rate limiting, caída de proveedor, falla de base de datos y entradas adversariales.

    1. 4 sepArquitectura de producción: servicios, queues, workers, Redis, storage y deployment.
    2. 11 sepPerformance: caching, batching, concurrency, p95/p99, streaming y cost control.
    3. 18 sepSeguridad: prompt injection, data exfiltration, tenant isolation, PII y tool security.
    4. 25 sepReliability: SLOs, fallbacks, circuit breakers, provider outages y rollout seguro.

    Entregable del mes: servicio de IA desplegable con observabilidad, límites de costo, caché, fallback, controles de seguridad y runbook de incidentes.

  10. Fase 10Octubre · Capstone

    Capstone, System Design y Preparación Profesional

    La fase final convierte conocimientos en evidencia: integras arquitectura, RAG, agentes, evaluación y producción en un proyecto defendible frente a usuarios, clientes o entrevistas técnicas.

    Al terminar: puedes defender «por qué esta arquitectura» con restricciones, alternativas, métricas y evidencia técnica.

    1. 2 octDefinición del capstone: requisitos, arquitectura, métricas, riesgos y plan de implementación.
    2. 9 octAI system design: trade-offs, capacity, reliability, data flow y threat model.
    3. 16 octPortfolio engineering: README, ADRs, diagramas, eval report, demo y storytelling técnico.
    4. 23 octInterview readiness: LLM, RAG, agentes, producción, debugging y system design.
    5. 30 octDemo Day: presentación del capstone, revisión técnica y roadmap individual posterior.

    Entregable del mes: capstone production-grade: producto de IA desplegable con arquitectura documentada, evals, seguridad, trazas, pruebas y demo.

Capstone

Un sistema de IA completo, no solo una interfaz de chat

Escoges un dominio propio. La solución debe cubrir estos componentes mínimos y se defiende en el Demo Day del 30 de octubre.

Componentes mínimos

  • Backend y API tipada con persistencia de datos.
  • Uso de un modelo con structured outputs y/o tool calling.
  • Retrieval o RAG cuando el caso lo requiera, con evaluación independiente.
  • Workflow agentic o LangGraph cuando exista una razón arquitectónica real.
  • Trazas, datasets y evaluaciones comparativas.
  • Autorización y permisos de herramientas, y tratamiento de datos sensibles.
  • Métricas de calidad, costo y latencia.
  • Docker y ruta de despliegue, fallbacks y documentación operativa.
Ejemplo 1 Copiloto de conocimiento empresarial

RAG con permisos, búsqueda híbrida, reranking, citas, evaluación y feedback de usuarios.

Ejemplo 2 Agente operativo con aprobación humana

Consulta sistemas, propone acciones, pausa para aprobación y ejecuta side effects de forma segura e idempotente.

Ejemplo 3 Deep Research / Deep Work Agent

Investigación con planning, subagentes, contexto aislado, artifacts, evaluación y trazabilidad completa.

Evaluación sugerida

  • Ejercicios semanales25%
  • Proyecto mensual45%
  • Evaluaciones, quizzes y diseño15%
  • Capstone final y defensa15%

Principios del programa

  • Construir antes de abstraer: SDKs directos antes que frameworks.
  • Medir antes de optimizar: calidad, latencia y costo desde el inicio.
  • Mantener determinista lo que debe ser determinista; usar modelos donde aporten juicio.
  • Versionar prompts, retrieval, modelos y evaluaciones como assets de producción.
  • Todo proyecto incluye código, pruebas, arquitectura, métricas y documentación.

Competencias

Qué dominas y qué conoces al terminar

Los frameworks cambian. Los fundamentos de arquitectura, datos, evaluación, seguridad y confiabilidad permanecen.

Dominas

  • Python, FastAPI, SQL y PostgreSQL, HTTP, async, testing, Docker y Git.
  • APIs de LLM, structured outputs, tool calling, retries, streaming y control de tokens y costo.
  • RAG: chunking, retrieval denso, sparse e híbrido, reranking, evals y permisos.
  • Diseño de agentes: estado, tools, permisos, human-in-the-loop, retries y recovery.
  • Evaluación: datasets, métricas, tracing, regression testing y criterios de release.

Con fluidez

  • LangGraph: state graphs, persistence, interrupts, subgraphs y durable execution.
  • LangChain: integración y abstracciones comunes.
  • LangSmith: traces, datasets, experiments, evaluators y monitoring.

Conoces

  • Deep Agents, patrones multiagente y frameworks emergentes.
  • Fine-tuning avanzado, entrenamiento distribuido e infraestructura de modelos a gran escala.

Perfil de ingreso

  • Conocimientos funcionales de Python y lógica de programación.
  • Familiaridad básica con Git y la línea de comandos.
  • Interés en desarrollo de software, backend, automatización o productos con IA.
  • No se requiere experiencia previa con LangChain, LangGraph ni sistemas RAG.

Perfil de egreso

  • Diseñas APIs y servicios de IA con fundamentos sólidos de backend.
  • Construyes aplicaciones LLM con tool calling, salidas estructuradas y control de errores.
  • Diseñas y evalúas pipelines RAG más allá de demos.
  • Modelas agentes como sistemas de estado, permisos y ejecución.
  • Construyes workflows durables con LangGraph y usas LangChain y Deep Agents con criterio.
  • Implementas evaluación, tracing y experimentación con LangSmith.
  • Despliegas sistemas observables, seguros, escalables y orientados a producción.
  • Defiendes decisiones de arquitectura en entrevistas, equipos técnicos o proyectos con clientes.

Preguntas frecuentes

Lo que suelen preguntar antes de inscribirse

¿Cuánto cuesta y hasta cuándo dura la preventa?

En preventa el programa completo cuesta $2,000 MXN hasta el 1 de diciembre de 2026. A partir de esa fecha el precio es de $3,000 MXN. Es un solo pago por los diez meses.

¿Cómo puedo pagar?

Pago en línea con Mercado Pago (tarjeta o métodos locales), PayPal o transferencia bancaria. Después del pago envías tu comprobante por WhatsApp y te agregamos al grupo del curso.

¿Qué necesito saber antes de empezar?

Python funcional y lógica de programación, nociones básicas de Git y de la línea de comandos. No necesitas experiencia con LangChain, LangGraph ni sistemas RAG: la fase 1 construye la base de backend y de ahí avanzamos.

¿Cuánto tiempo necesito dedicarle cada semana?

Una hora en vivo cada sábado, de 2 a 3 horas de trabajo asincrónico entre videos, lecturas y ejercicios, y de 3 a 6 horas adicionales por mes para el proyecto de la fase. En total, entre 12 y 18 horas al mes.

¿Qué pasa si no puedo conectarme un sábado?

El trabajo asincrónico de cada fase (microlecciones grabadas, lecturas y ejercicios) está disponible toda la semana, y el grupo de WhatsApp sirve para resolver dudas entre sesiones. Si por calendario operativo se mueve una sesión puntual, se avisa con anticipación y el contenido y los entregables de la fase se mantienen.

¿Con qué herramientas trabajamos?

Python, FastAPI, PostgreSQL y pgvector, Docker, los SDKs directos de los modelos, LangGraph, LangChain, Deep Agents, LangSmith y MCP. El principio del programa es construir antes de abstraer: primero entiendes cómo funciona, después usas el framework con criterio.

¿Qué me llevo al terminar?

Diez proyectos mensuales y un capstone production-grade: un producto de IA desplegable con arquitectura documentada, evaluaciones, trazas, seguridad y pruebas, presentado en el Demo Day. Es el portafolio con el que defiendes decisiones de arquitectura en entrevistas, equipos técnicos o proyectos con clientes.

Del sábado 2 de enero al sábado 30 de octubre de 2027

Pago en línea con MercadoPago. Al inscribirte recibes el propedéutico y entras al grupo de apoyo. Si una sesión puntual se mueve por calendario operativo, el contenido, el entregable y la secuencia de la fase se mantienen y se avisa con anticipación.

$2,000MXNPreventa hasta el 1 de diciembre de 2026 · después $3,000 MXN Inscribirme WhatsApp