• Conocimientos básicos de tecnología e interés en inteligencia artificial.
• Familiaridad con términos básicos como APIs y nubes (no excluyente).
• Laptop o PC con acceso a internet.
• Cuenta en Google Cloud y OpenAI (opcional, se puede usar la cuenta gratuita)

Profesionales y estudiantes interesados en adentrarse en el ecosistema completo de la inteligencia artificial basada en modelos de lenguaje (LLM), desde sus fundamentos hasta el diseño de sistemas complejos con recuperación de información (RAG), agentes inteligentes y arquitecturas modulares. Ideal para roles de tecnología, analítica, desarrollo de software, gestión de proyectos o emprendimiento que deseen:
• Comprender el entrenamiento y la teoría de los LLM y su extensión con RAG.
• Diseñar y optimizar prompts, cadenas y pipelines de recuperación y
generación.
• Desplegar soluciones con herramientas low-code/no-code.
• Construir y orquestar agentes inteligentes, incluyendo comunicación agent-to-agent, generación contextual (CAG) y procesamiento multi-componente (MCP).

• Formar a los participantes en el ciclo completo de creación de soluciones de IA con LLM—incluyendo Retrieval-Augmented Generation (RAG)—abarcando desde la teoría de su entrenamiento y las mejores prácticas de prompting, hasta la configuración en la nube, el desarrollo de chains, agentes con herramientas externas, la coordinación entre agentes (agent-to-agent), la generación consciente del contexto (CAG) y el procesamiento multi-componente (MCP), todo mediante plataformas low-code/no-code y un proyecto integrador final.

1. Explicar los conceptos fundamentales de los LLM, su arquitectura Transformer y el uso de embeddings.
2. Describir y aplicar Retrieval-Augmented Generation (RAG) para enriquecer las respuestas de un LLM con información externa.
3. Diseñar y evaluar prompts efectivos, aplicando técnicas de claridad, ejemplos y gestión de contexto.
4. Definir y construir chains de operaciones: secuenciales, condicionales e iterativas.
5. Configurar cuentas y servicios en GCP y OpenAI, gestionando API keys, costos y accesos.
6. Desarrollar agentes capaces de interactuar con APIs, bases de datos y otros servicios (tools).
7. Orquestar la comunicación entre agentes (agent-to-agent) para flujos distribuidos y coordinados.
8. Implementar Context-Aware Generation (CAG) para mantener y utilizar historial de conversación y metadatos.
9. Diseñar pipelines de Multi-Component Processing (MCP) que integren varios submodelos o agentes especializados.
10. Usar plataformas low-code/no-code para prototipar y desplegar chains, agentes, RAG y pipelines de IA.
11. Aplicar todos los conocimientos en un proyecto final que combine RAG, prompts, chains, agentes, CAG y MCP.

• Unidad 1
• Introducción a los Modelos LLM
• Qué es un LLM (Large Language Model)

• Definición y características de los LLM.
• Diferencia entre LLM y otros modelos de IA.
• Casos de uso de LLM (chatbots, generación de texto, traducción, etc.).

• Unidad 2
• Entrenamiento de los Modelos LLM
• Teoría detrás del entrenamiento de modelos LLM

• Embeddings en LLM.
• Redes neuronales profundas y Transformers.

• Cómo se entrenan los LLM actuales

• Procesos de pre-entrenamiento y fine-tuning.
• RAG

• Unidad 3
• Fundamentos del Prompting
• Qué es un prompt

• Definición y función del prompt en los LLM.
• Tipos de prompts (instructivos, de completado, conversacionales).

• Cómo los LLM entienden los prompts

• Tokenización y procesamiento de texto.
• Contextualización y respuesta generada.

• Unidad 4
• Metodologías para Crear Prompts Eficaces
• Técnicas y buenas prácticas para diseñar prompts

• Claridad y especificidad en el prompt.
• Uso de ejemplos y feedback iterativo.
• Gestión de la longitud de los prompts.

• Ejemplos prácticos de creación de prompts

• Generación de texto, resumen, clasificación.
• Búsqueda de información en bases de datos.
• Preguntas y respuestas.

• Herramientas para probar y mejorar prompts

• Plataformas como OpenAI, Hugging Face, etc.

• Unidad 5
• Configuración de Cuentas en Nubes con LLM
• Configuración de cuentas en Google Cloud (GCP) y OpenAI

• Creación y gestión de cuentas en GCP y OpenAI.
• Activación y configuración de API keys.
• Configuración de servicios para uso de LLM (API de OpenAI, Vertex AI en GCP).
• Control de costos y acceso (limitar uso, establecer presupuestos).

• Implementación de modelos LLM en la nube

• Uso de LLM disponibles (GPT, PaLM, etc.).
• Integración básica de LLM en aplicaciones en la nube.

• Unidad 6
• Conceptos Avanzados: Chains en LLM
• Qué es un chain en el contexto de LLM

• Definición de un chain: Secuencia de operaciones para lograr un resultado más complejo.
• Tipos de chains (secuencia, condicional, iterativo).

• Cómo implementar un chain en un LLM

• Ejemplos prácticos: Combinación de múltiples prompts, uso de memoria y contextos previos.

• Unidad 7
• Aplicaciones Low-Code / No-Code para Implementar Chains y RAG
• Herramientas Low-Code / No-Code para crear chains

• Plataformas populares como n8n.
• Integración con APIs de LLM (GPT, Cohere, etc.)

• Creación de una aplicación de LLM sin escribir código

• Ejemplo práctico: Automatización de tareas con n8n.
• Diseño de flujos de trabajo simples para automatizar tareas usando LLM.

• Unidad 8
• Agentes y herramientas
• Qué es un agente en el contexto de LLM

• Definición de agente, ciclo de percepción–decisión–acción.
• Diferencias entre un simple chain y un agente con herramientas.

• Integración de tools

• Conexión de un agente a APIs, bases de datos y servicios externos.
• Ejemplos: uso de buscadores, calendarios, sistemas de tickets.

• Unidad 9
• Agent-to-Agent
• Comunicación entre agentes

• Protocolos y formatos de intercambio de mensajes.
• Coordinación de tareas distribuidas.

• Casos de uso

• Orquestación de flujos de trabajo complejos.
• Ejemplo práctico: un agente de consulta de datos + un agente de generación de informes.

• Unidad 10
• CAG – Context-Aware Generation
• Principios de generación contextual

• Definición de CAG y su relación con chains y agentes.
• Mantenimiento de contexto a lo largo de múltiples turnos.

• Implementación

• Estrategias para inyectar contexto histórico y metadatos.
• Ejemplo práctico: generación de respuestas que varían según el entorno del usuario.

• Unidad 11
• MCP – Model Context Protocol
• Patrones de composición modular

• Definición de MCP y cómo difiere de un chain tradicional.
• Ventajas del modularidad y la reutilización de componentes.

• Unidad 12
• Proyecto Final
• Desarrollo de un caso real que combine:

• Prompts avanzados.
• Chains y agentes con tools.
• Comunicación agent-to-agent.
• Context-Aware Generation y Multi-Component Processing.

• Presentación y retroalimentación.