Guía de Ingeniería IA


Los conceptos clave de AI Engineering e IA agéntica, explicados para desarrolladores. Un módulo por página, con un examen para comprobar lo que has aprendido.

Qué es esta guía

Esta guía es un curso introductorio a los conceptos de AI Engineering y de IA agéntica: el vocabulario y las ideas que necesitas para construir aplicaciones que usan modelos de lenguaje (LLMs) de forma fiable. Cada módulo explica un bloque de conceptos, cada uno en dos o tres párrafos como máximo.

Es un mapa, no un tratado. El objetivo es que sepas qué es cada cosa, para qué sirve y cuándo no hace falta usarla. A partir de aquí, cada concepto merece que lo profundices por tu cuenta, con documentación, artículos y, sobre todo, poniéndolo en práctica.

Para quién es

Para desarrolladores y perfiles técnicos que ya saben programar y han consumido alguna API, y que quieren dar el salto a integrar IA en aplicaciones reales. No hace falta saber matemáticas ni haber entrenado nunca un modelo: la guía se centra en cómo usar los modelos, no en cómo se construyen.

Los conceptos son independientes del lenguaje y del framework. Cuando hay que concretar, se habla de cosas que encontrarás en cualquier SDK o proveedor, sea OpenAI, Anthropic, Google o un modelo abierto.

Cómo usarla

Los módulos siguen un orden pensado: cada uno se apoya en el anterior, desde los fundamentos de los LLMs hasta los sistemas multi-agente. El Módulo 11 es la excepción: son conceptos de fondo que puedes leer en cualquier momento.

Para cada módulo, lee los conceptos, copia el prompt de examen del final y pégalo en tu IA (ChatGPT, Claude, Gemini…). Te hará un test de 20 preguntas y, después, te propondrá un ejercicio práctico sobre tu propia aplicación. Un buen criterio para dar un módulo por aprendido: lo sabes explicar sin apuntes, lo has aplicado en algo real y sabes cuándo no usarlo.

El hilo conductor: una aplicación de atención al cliente

Para no hablar en abstracto, todos los módulos comparten una aplicación de ejemplo: la aplicación de atención al cliente de una tienda online, con tickets, clientes, pedidos y una base de conocimiento (preguntas frecuentes y políticas de devolución).

Es un caso lo bastante universal para que cada concepto tenga en él una aplicación natural: resumir tickets, responder con la base de conocimiento, consultar el estado de un pedido, protegerse de un ticket malicioso o montar un agente que revise el backlog. Si tienes una aplicación propia, el prompt de examen adaptará el ejercicio a ella.

Autor

Soy Dani Pérez, ingeniero de software desde 2004. Esta guía nace de la necesidad de formación continua, intrínseca de nuestra profesión.

Los recuadros «Desde la práctica» de cada módulo recogen lecciones de aplicar estos conceptos en proyectos reales: las cosas que no salen en la documentación y que normalmente se aprenden equivocándose.

Módulos

Módulo 0

La IA dentro de una aplicación

  • La capa de IA
  • Servicio de dominio
  • Llamadas síncronas y colas
  • Abstracción del proveedor
  • Revisión humana desde el diseño
Módulo 1

Fundamentos de LLMs

  • Tokenización
  • Embeddings
  • Ventana de contexto
  • Temperature, top-p y top-k
  • System prompt y user prompt
  • Zero-shot, few-shot y chain-of-thought
  • Grounding
  • Alucinaciones
Módulo 2

Prompt engineering y context engineering

  • Prompt engineering
  • Context engineering
  • Fine-tuning, prompt engineering o RAG
Módulo 3

RAG (Retrieval-Augmented Generation)

  • Embeddings y similitud del coseno
  • Bases de datos vectoriales
  • Chunking
  • Búsqueda híbrida
  • Reranking
  • Knowledge graphs
Módulo 4

Function calling y tool use

  • Function calling (tool use)
  • JSON Schema para herramientas
  • El bucle agéntico
  • OpenAPI para exponer herramientas
Módulo 5

Seguridad y robustez

  • Prompt injection
  • Jailbreaking
  • Fuga de datos y privacidad
  • Rate limiting
  • Sandboxing de herramientas
Módulo 6

Evaluación y observabilidad

  • Evals
  • LLM-as-a-judge
  • Tracing y logging
  • Latencia
  • Coste por token
  • Throughput
Módulo 7

Arquitectura y producción

  • Streaming
  • Prompt caching
  • Batch processing
  • Model routing
Módulo 8

MCP (Model Context Protocol)

  • Tools, resources y prompts
  • Servidores y clientes
  • MCP vs function calling
  • Conectores
Módulo 9

Fundamentos de agentes

  • Persona de agente
  • ReAct
  • Planning y descomposición de tareas
  • Memoria a corto y largo plazo
  • Reflection
  • Guardrails y human-in-the-loop
Módulo 10

Multi-agente y orquestación

  • Orquestador y supervisor
  • A2A (Agent-to-Agent)
  • Frameworks: LangGraph, CrewAI y n8n
Módulo 11

Conceptos de modelo avanzados

  • Mixture of Experts (MoE)
  • Context distillation
  • Multimodalidad
  • Reasoning models