Agent Builder desde cero

---

20 horas (virtual asincrónicas)

 Realiza tu transferencia a la cuenta digital (llave):
3007749537

Una vez hecho el pago, envía tu comprobante al WhatsApp en el botón

 Este curso intensivo enseña a construir agentes de IA con OpenAI Agent Builder (AgentKit), combinando teoría básica con mucha práctica. Está diseñado de forma accesible para todos, incluso principiantes, enfocándose en explicaciones claras y proyectos concretos en cada módulo. 
Al finalizar, los participantes habrán creado múltiples flujos de agente completos y obtendrán una certificación que avala sus habilidades. El temario incorpora las últimas técnicas y herramientas (por ejemplo, RAG y el protocolo MCP) para asegurar una formación de alto nivel con lo mejor de lo mejor en el campo. 

 Virtual asincrónico

Abierto desde el 29 de Noviembre

• Presentación del entorno: introducción a OpenAI Agent Builder y la suite AgentKit.
• Diferencias entre la construcción de flows no-code vs. mediante SDK (codificación tradicional).
• Configuración inicial: acceso a la plataforma, permisos necesarios y primer “hello-flow” básico.
• Producto: flujo mínimo funcional ejecutando un prompt simple y retornando una respuesta en JSON (primer agente sencillo).

• Conceptos básicos: nodos del canvas (Start, Agent, Transform, Tools, MCP, End) y manejo de variables de estado para memoria del agente.
• Versionado y buenas prácticas en la redacción de prompts, uso de guardrails (límites de comportamiento) y ajustes seguros.
• Diseño guiado: creación del agente «Investigador Rápido» (patrón RAG: busca información → resume → cita fuentes relevantes). Esta actividad demuestra cómo un agente puede recuperar datos externos para fundamentar sus respuestas
• Mini-proyecto 1: flujo con entrada de texto del usuario y salida con respuesta formateada en HTML, empleando buenas prácticas de prompt y guardrails.

• Integración con servicios externos: llamadas a APIs HTTP-REST y manejo de archivos dentro del flujo del agente.
• Conexión a bases de datos vectoriales para conocimiento contextual del agente (implementando técnica RAG para enriquecer respuestas con información recuperada y reducir alucinaciones.
• Uso de un servidor MCP (Model Context Protocol) para invocar herramientas externas de forma estandarizada desde el agente.
• “Tool contracts”: definición de entradas/salidas estables para herramientas, manejo de errores y configuración de timeouts apropiados al usar conectores.
• RAG vs. MCP en la práctica: diferencias de enfoque entre recuperar conocimiento pasivamente vs. ejecutar acciones activamente, y cómo combinar ambos métodos en agentes avanzados (aprovechando lo mejor de dos mundos complementarios).
• Mini-proyecto 1: construir un Agente de Helpdesk IA que atiende preguntas frecuentes (FAQ → respuesta) usando la base de conocimientos de la empresa y registra cada interacción en una hoja de cálculo simulada (log de consultas).
• Mini-proyecto 2: agente conversacional que consume una API real para consultar datos externos (por ejemplo, información del clima, finanzas, etc.) y responde al usuario en el chat con esos datos integrados.

• Introducción al lenguaje CEL (Common Expression Language) dentro de Agent Builder: uso de operadores, filtros y funciones para transformar y manipular datos en el flujo del agente.
• Patrón ETL ligero aplicado al agente: limpiar entradas/outputs → transformar formato o contenido → validar que cumplen ciertos criterios antes de responder.
• Orquestación del flujo: cómo encadenar nodos (incluyendo herramientas RAG/MCP) de forma efectiva, pasando variables de estado y controlando la lógica de decisión del agente.
•  Mini-proyecto 3: desarrollo de un Normalizador de JSON de requisitos, con validador integrado – el agente toma un JSON desordenado de especificaciones, lo limpia y reordena (Transform), y verifica con CEL que cumple un esquema esperado antes de entregarlo.

• Implementación de Evaluators (evaluadores automáticos) para probar el flujo como pruebas de regresión: cada vez que refinamos el agente, estos tests garantizan que sigue respondiendo correctamente a casos previos.
• Mejores prácticas de seguridad y cumplimiento: protección de PII (información personal identificable) en las respuestas, límites de acción del agente para evitar comportamientos no deseados, y configuraciones de aprobación human-in-the-loop para acciones sensibles.
• Gestión de registros (logs) seguros y monitoreo de actividades del agente para auditoría.
• Práctica: añadir evaluadores a los flujos desarrollados en módulos anteriores y habilitar un registro de logs seguro, asegurando que el agente respeta políticas de privacidad y que sus acciones críticas requieren aprobación humana.

• Cómo consumir los flujos diseñados en Agent Builder desde código externo: uso del SDK de OpenAI y llamadas REST para integrar el agente en aplicaciones Node.js o Python.
• Configuración de autenticación (claves API, tokens) y establecimiento de cuotas de uso para el agente, evitando sobreuso. Implementación de trazabilidad y logging en la aplicación cliente para monitorear las llamadas al agente (incluyendo tiempos de respuesta, errores, costo en tokens, etc.).
• Mejores prácticas para manejar versiones del agente en código, pruebas en entornos locales y despliegue continuo utilizando los flujos exportados.
• Mini-proyecto 4: desarrollo de un Panel de Operador – una pequeña interfaz web que invoca al agente vía API REST y muestra sus respuestas en tiempo real, incluyendo un registro de las interacciones (simulando una consola de operador humano supervisando al agente).

Gestión de entornos de despliegue: cómo mover un agente desde desarrollo a staging y a producción de forma segura. Uso de feature flags o versiones controladas para activar/desactivar nuevas funciones del agente gradualmente.

• Observabilidad en producción: métricas clave a monitorear (uso de tokens, latencia de respuestas, tasa de errores), configuración de alertas cuando el agente excede ciertos umbrales (p.ej., costo o error rate), y estrategias de mitigación de incidentes.
• Consideraciones de escalabilidad y optimización de costos en la operación continua del agente (por ejemplo, escalado de servidores MCP si se usan, limpieza de contextos antiguos para liberar memoria, etc.).
• Ejercicio: configurar alertas simples (por ejemplo, notificación si el agente se sale de parámetros esperados o gasta demasiados recursos) y practicar un rollback manual del flujo a una versión estable anterior ante un problema en producción.

• Proyecto integrador: desarrollar un agente completo eligiendo entre dos casos avanzados:
  
  • Agente de DataOps: extrae datos de múltiples fuentes, valida cálculos de KPI y expone reportes o insights automatizados.
  • Agente de Soporte Dev: asiste en tareas de desarrollo, por ejemplo gestionando tickets de incidencia y ofreciendo hints para Pull Requests (sugiere soluciones o revisiones de código basadas en historial).