LangGraph Avanzado: Construcción de Agentes de IA con Memoria y Herramientas
Curso práctico para ingenieros de IA senior que desean dominar LangGraph en la creación de agentes inteligentes con memoria persistente, herramientas externas y lógica condicional. Aprenderás a diseñar sistemas que toman decisiones autónomas y ejecutan tareas complejas en entornos reales.
17
Lecciones
14
Prácticas
4
Quizzes
Filtro de calidad
Público solo si tiene profundidad, práctica y evaluación.
Aprendizaje aplicable
Lecciones orientadas a entregables, casos y decisiones reales.
Listo para equipos
Podemos adaptar rutas para onboarding, upskilling o ventas.
Evidencia de calidad
15.451
Caracteres promedio por lección
12
Lecciones con práctica
4
Quizzes evaluables
0
Pendientes antes de publicar
Vas a practicar con
- Crea un mini-proyecto: Agente de recomendación de libros
- Planifica la arquitectura del agente de gestión
- Evaluación final del proyecto integrador
LangGraph Avanzado: Construcción de Agentes de IA con Memoria y Herramientas
Contenido del curso
Este módulo establece las bases prácticas para entender cómo LangGraph estructura agentes con nodos y aristas, permitiéndote visualizar flujos de decisión antes de codificar. Aprenderás a diseñar agentes básicos que integran herramientas simples, sentando las bases para sistemas más complejos.
Aquí profundizarás en cómo dotar a tus agentes de memoria a largo plazo, crucial para conversaciones extendidas o tareas que requieren contexto histórico. Aprenderás a configurar bases de datos y recuperar información relevante, haciendo que tus agentes sean más coherentes y útiles.
En este módulo, explorarás cómo hacer que tus agentes tomen decisiones dinámicas basadas en condiciones, superando la linealidad. Aprenderás a implementar bifurcaciones y bucles en grafos, permitiendo agentes que adaptan su comportamiento según el contexto o resultados previos.
Este módulo final te desafía a integrar todos los conceptos en un proyecto real: un agente que gestiona tareas, usa memoria para recordar plazos, y toma decisiones condicionales basadas en prioridades. Aplicarás habilidades prácticas para crear una solución escalable y lista para producción.
- 4.1Planifica la arquitectura del agente de gestiónLectura20 min
- 4.2Implementa herramientas de gestión de tareas y calendarioLectura25 min
- 4.3Integra memoria y lógica condicional para priorizaciónLectura30 min
- 4.4Despliega y prueba tu agente en un entorno simuladoLectura30 min
- 4.5Evaluación final del proyecto integradorQuiz15 min
Cursos relacionados
Seguí aprendiendo dentro de la misma ruta.
Fine-tuning de LLMs con RLHF y DPO: De la teoría a la implementación práctica
Curso avanzado para ingenieros de ML que desean dominar técnicas de ajuste fino de modelos de lenguaje con aprendizaje por refuerzo. Aprenderás a implementar RLHF y DPO en modelos open-source, optimizando respuestas con retroalimentación humana y preferencias. Al finalizar, podrás desplegar modelos ajustados para aplicaciones reales con métricas de evaluación robustas.
Containerización y Despliegue de Modelos de ML con Docker y Kubernetes
Aprende a containerizar tus flujos de Machine Learning con Docker y desplegarlos en Kubernetes para producción. Este curso práctico te guiará desde la creación de imágenes personalizadas hasta la orquestación de servicios escalables, optimizado para científicos de datos.
FastAPI para APIs de Machine Learning en Producción
Curso práctico para ML Engineers que desean desplegar modelos de machine learning como APIs REST robustas usando FastAPI. Aprenderás a implementar validación de datos, monitoreo en tiempo real y despliegue escalable, culminando con un proyecto completo listo para producción.
Para estudiantes y creadores
Aprendé este tema o creá una versión para tu audiencia.
Empezá el curso o postulá tu experiencia si querés publicar una ruta revisada en el marketplace.
Para empresas
Capacitación a medida
Si querés este contenido para un equipo, armamos rutas con objetivos, seguimiento y cursos propios.
Hablar por equipos