Construye software coninteligencia artificial

Integrar modelos de lenguaje en producto con criterio de ingeniería: cómo funciona un LLM, prompts y salidas estructuradas, embeddings y RAG, agentes, seguridad de prompts y evaluación. No entrenar modelos: integrarlos bien.

Empezar

Acceso al curso completo, ejercicios y material de entrevista.

# El modelo no es una base de datos: predice texto a partir de mensajes
respuesta = cliente.responder("claude-opus", mensajes=[
  {"role": "system", "content": "Eres un clasificador de tickets."},
  {"role": "user", "content": ticket},
], temperatura=0)

→entrada: 312 tokens · salida: 18 tokens

→coste estimado → 0.004 $ por ticket

→temperatura 0 → respuesta estable y repetible

⧗Entrada y salida se cobran: cada prompt tiene un precio

// Una app necesita datos, no prosa: forzar y validar un esquema
const Ticket = z.object({ prioridad: z.enum(['alta', 'baja']) });
const datos = Ticket.parse(JSON.parse(respuesta));
// si el modelo no respeta el formato, parse() lanza y reintentas

→respuesta cruda → {"prioridad":"alta"}

→validada → tipada y segura de usar

→formato roto → error: reintentar, no propagar basura

⧗Nunca confíes en que la salida es válida: valídala

# El modelo no conoce tus datos: recupéralos e inyéctalos
fragmentos = indice.buscar(embedding(pregunta), k=4)
contexto = "\n".join(f.texto for f in fragmentos)
respuesta = responder(prompt=f"Usa SOLO esto:\n{contexto}\n\n{pregunta}")

→busca por significado → 4 fragmentos relevantes

→responde citando las fuentes recuperadas

→sin contexto propio → inventaría con seguridad

⧗RAG reduce la alucinación: responde con datos, no de memoria

Orientado a entrevistas

No solo aprendes a usar IA. Te preparas para que te contraten.

Banco orientado a la entrevista técnica: qué es un embedding, cómo montarías un RAG, qué es la inyección de prompts y cómo se prueba un sistema no determinista.

Preguntas

Preguntas reales de entrevistas técnicas.

Errores comunes

Lo que delata a un junior frente al entrevistador.

Retos de debug

Integraciones de IA con fallos que hay que encontrar y arreglar.

Qué vas a aprender

Lleva un modelo experimental a un producto con IA en producción

Cómo funciona un LLM de verdad

Tokens, contexto, por qué alucina y por qué no recuerda. La base para integrarlo sin sorpresas.

Llamar al modelo por API

Mensajes, streaming, coste por token, prompts que funcionan y salidas estructuradas que tu app puede usar.

Embeddings, RAG y herramientas

Búsqueda semántica, responder sobre tus datos sin alucinar y hacer que el modelo actúe llamando a tu código.

Agentes y patrones de aplicación

Cuándo un prompt basta, cuándo un agente, cómo encadenar pasos y dónde poner al humano a validar.

Seguridad, privacidad y evaluación

Inyección de prompts, qué datos salen al proveedor, RGPD, moderación y cómo se prueba lo no determinista.

Operar IA en producción con criterio

Latencia, caché, control de coste, observabilidad, elegir proveedor sin quedar atrapado y decidir si de verdad hace falta IA.