LangGraph Avanzado: Construcción de Agentes de IA con Memoria y Herramientas
Curso práctico para ingenieros senior de IA que desean dominar LangGraph en la creación de agentes inteligentes con capacidades de memoria, uso de herramientas y lógica condicional. Aprenderás a diseñar sistemas que toman decisiones autónomas y ejecutan tareas complejas en entornos reales.
20
Lecciones
20
Prácticas
20
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
6.359
Caracteres promedio por lección
16
Lecciones con práctica
20
Quizzes evaluables
0
Pendientes antes de publicar
Vas a practicar con
- Práctica: Construye un agente básico que use una API
- Práctica: Construye y prueba tu agente de automatización
- Quiz: Evaluación final del proyecto
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 de IA, permitiéndote diseñar flujos de trabajo que integren herramientas desde el inicio. Aprenderás por qué esta arquitectura es clave para sistemas escalables y cómo aplicarla inmediatamente.
- 1.1Configuración del entorno y primeros pasos con LangGraphLectura15 min
- 1.2Diseño de nodos y aristas para flujos de decisiónLectura20 min
- 1.3Integración de herramientas externas en tu agenteLectura25 min
- 1.4Práctica: Construye un agente básico que use una APILectura30 min
- 1.5Quiz: Evaluación de conceptos de arquitecturaQuiz10 min
Aquí profundizarás en cómo la memoria permite a los agentes recordar contextos y aprender de interacciones previas, esencial para aplicaciones como chatbots o asistentes personalizados. Descubrirás por qué la persistencia del estado es crucial para experiencias de usuario coherentes.
- 2.1Tipos de memoria en LangGraph: corto y largo plazoLectura20 min
- 2.2Configuración de bases de datos para almacenar estadoLectura25 min
- 2.3Práctica: Crea un agente con memoria de conversaciónLectura30 min
- 2.4Optimización de memoria para rendimientoLectura15 min
- 2.5Quiz: Prueba tu comprensión sobre memoriaQuiz10 min
Este módulo te enseñará a implementar reglas condicionales que permiten a los agentes adaptarse dinámicamente, resolviendo problemas complejos sin intervención humana. Aprenderás por qué esta capacidad es fundamental para agentes en entornos impredecibles.
- 3.1Diseño de condiciones y bifurcaciones en LangGraphLectura20 min
- 3.2Integración de modelos de IA para decisiones inteligentesLectura25 min
- 3.3Práctica: Desarrolla un agente que elija herramientas basado en contextoLectura30 min
- 3.4Manejo de errores y flujos de fallbackLectura15 min
- 3.5Quiz: Evaluación de lógica condicionalQuiz10 min
En este módulo final, aplicarás todo lo aprendido para construir un agente completo que use memoria, herramientas y lógica condicional en un escenario real, consolidando tus habilidades como ingeniero de IA senior. Descubrirás por qué la integración práctica es clave para dominar LangGraph.
- 4.1Definición de requisitos y diseño del agente integradorLectura20 min
- 4.2Implementación de memoria persistente y múltiples herramientasLectura25 min
- 4.3Desarrollo de lógica condicional para tareas complejasLectura30 min
- 4.4Práctica: Construye y prueba tu agente de automatizaciónLectura30 min
- 4.5Quiz: Evaluación final del proyectoQuiz10 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