1.- Introducción a los agentes de IA (Conceptual)
¿Qué es un agente de IA?
Características clave de un agente de IA
El ciclo del agente: percibir, razonar, actuar
¿Por qué es importante entender esto?
Evolución de los agentes
Los inicios: agentes reactivos simples (o agentes de reflejo simple)
Un poco más inteligentes: agentes reactivos basados en modelos
Mirando al futuro: agentes basados en objetivos
Optimizando el camino: agentes basados en utilidad
Aprendiendo del entorno: agentes de aprendizaje
La Revolución actual: agentes basados en modelos de lenguaje grandes (LLMs)
El futuro colaborativo: Sistemas Multi-Agente (MAS)
La promesa de los agentes de IA: transformando industrias y la interacción humano-máquina
Taxonomía de agentes
Clasificación principal según su complejidad y capacidad de razonamiento
Otras categorizaciones de agentes importantes
¿Por qué es útil esta taxonomía?
Componentes Fundamentales de un Agente Moderno: Percepción, Memoria, Planificación, Razonamiento, Herramientas (Tools), Actuadores

2.- Arquitecturas y modelos de agentes
Arquitecturas clásicas de agentes (PEAS, BDI)
PEAS: Describiendo el trabajo del agente
BDI: Modelando el ‘pensamiento’ del agente
Conclusión sobre PEAS y BDI
Agentes basados en modelos de lenguaje (LLM-Powered Agents)
El LLM como ‘cerebro’ del agente
Prompt engineering avanzado para el control de agentes
Conclusión sobre agentes basados en modelos de lenguaje
Frameworks populares para agentes LLM: ReAct, Plan-and-, y Reflection/Self-Critique
ReAct: Razonar y Actuar en un ciclo intercalado
Plan-and-Execut e (Planificar y Ejecutar)
Reflection / Self-Critique (Reflexión / Auto-Crítica)
Conclusión sobre frameworks populares para agentes LLM
Agentes con Memoria: Dotando de Contexto y Continuidad a la Inteligencia Artificial
Tipos de Memoria: Inspirándonos en la Mente Humana
Implementando la Memoria a Largo Plazo: El Poder de las Bases de Datos Vectoriales
Retrieval Augmented Generation (RAG): Dando Superpoderes de Conocimiento a los Agentes
Conclusión sobre los agentes con memoria
Agentes con capacidad de uso de herramientas (tool use / function calling): conectando la inteligencia con la acción
¿Qué es el uso de herramientas en un agente LLM?
Tipos de Herramientas que un Agente Puede Usar
¿Cómo sabe el LLM qué herramientas usar y cómo usarlas?
Seguridad en el uso de herramientas: un aspecto crítico
Conclusión sobre los agentes con capacidad de uso de herramientas

3.- Desarrollo de agentes de IA
Entorno de desarrollo
Python: el lenguaje de elección para la IA
Librerías clave: nuestros superpoderes para construir agentes
Conclusión sobre el entorno de desarrollo
Diseño de un agente: de la idea a la estrategia
Definición de objetivos y tareas: ¿qué queremos que haga nuestro agente?
Selección de la arquitectura y el LLM base: eligiendo el esqueleto y el cerebro
Diseño del flujo de razonamiento y toma de decisiones: el diagrama de flujo del pensamiento del agente
Conclusión sobre el diseño de agentes
Taller práctico: construyendo un agente simple de investigación y resumen
Taller práctico: implementando un agente con memoria y uso de herramientas (ej: agente de planificación de viajes que consulta apis)
Depuración, pruebas y evaluación de agentes: métricas y estrategias para la fiabilidad
Depuración de agentes de IA: encontrando el ‘bug’ en el ‘pensamiento’
Pruebas de agentes de IA: asegurando la calidad y la consistencia
Evaluación de agentes de IA: midiendo el ‘bien hecho’
Conclusión sobre depuración, pruebas y evaluación de agentes

4.- Sistemas Multi-Agente (MAS)
Introducción a los sistemas Multi-Agente
¿Qué es un sistema Multi-Agente?
Ventajas de los sistemas Multi-Agente: ¿Por qué usar varios agentes en lugar de uno solo (monolítico)?
Desafíos fundamentales en los sistemas Multi-Agente
Ejemplos de aplicaciones de MAS
Conclusión sobre los sistemas Multi-Agente
Arquitecturas de MAS: Colaborativas, Competitivas y Jerárquicas
Arquitecturas colaborativas (o cooperativas): ¡Todos a una!
Arquitecturas competitivas: ¡Que gane el mejor (o el más apto)!
Arquitecturas jerárquicas: ¡Alguien tiene que mandar!
Combinaciones y espectros
Conclusión sobre arquitecturas de MAS
Comunicación y coordinación entre agentes: el lenguaje y la danza de la inteligencia colectiva
Comunicación entre agentes: el intercambio de información
Coordinación entre agentes: trabajando juntos (o evitando colisiones)
Negociación y resolución de conflictos: cuando los agentes no están de acuerdo
Roles y responsabilidades compartidas: definiendo quién hace qué y cuándo
Conclusión sobre comunicación y coordinación entre agentes
Frameworks para Sistemas Multi-Agente (Ej: AutoGen, CrewAI): Herramientas para orquestar la inteligencia colectiva
AutoGen (Microsoft): flexibilidad para conversaciones entre agentes potenciados por LLM
CrewAI: orquestando equipos colaborativos de agentes autónomos
AutoGen vs. CrewAI: ¿Cuándo usar cuál?
Conclusión sobre frameworks para Sistemas Multi-Agente
Taller práctico: diseño y simulación de un Sistema Multi-Agente Simple (Ej: equipo de agentes para desarrollar un plan de marketing)

5.- Aplicaciones y casos de uso avanzados
Agentes para la automatización de tareas complejas (Workflows, RPA Inteligente)
Automatización de workflows de conocimiento
RPA Inteligente (IPA – Intelligent Process Automation)
Orquestación de flujos de trabajo complejos y dinámicos
Ventajas de usar agentes para la automatización compleja
Desafíos y consideraciones
Conclusión sobre los agentes para la automatización de tareas complejas
Agentes en el desarrollo de software (generación de código, testing, debugging asistido por agentes)
Generación de código asistida por agentes (AI-Assisted Code Generation)
Testing de software asistido por agentes
Debugging (depuración) asistido por agentes
Otras áreas de impacto
Conclusión sobre los agentes en el desarrollo de software
Agentes para la investigación científica y descubrimiento: acelerando el avance del conocimiento
¿Cómo pueden los agentes de IA contribuir al proceso científico?
Desafíos y el futuro de la ciencia aumentada por IA
Agentes en finanzas
Trading algorítmico impulsado por agentes de IA (AI-Powered Algorithmic Trading)
Análisis y gestión de riesgo inteligente
Asesoramiento Financiero Personalizado (Robo-Advisors con IA):
Otras aplicaciones emergentes
Desafíos éticos y regulatorios en las finanzas impulsadas por IA
Conclusión sobre agentes en finanzas
Agentes en robótica y sistemas autónomos físicos: la inteligencia encarnada en el mundo real
El salto del mundo digital al físico: nuevos desafíos
El agente de IA como ‘cerebro’ del robot
Consideraciones clave en la interacción con el mundo real
El papel de los LLMs en la robótica encarnada
Conclusión sobre agentes en robótica y sistemas autónomos físicos
Agentes creativos: La IA como colaboradora en la generación de contenido, diseño y música
Agentes creativos en acción: diversas formas de expresión
La Colaboración Humano-IA en la creatividad (‘Centauro Creativo’)
Desafíos y consideraciones éticas en la creatividad impulsada por IA
Conclusión sobre agentes creativos
Agentes personales y asistentes cognitivos: hacia un compañero digital inteligente y proactivo
¿Qué podría hacer un agente personal cognitivo avanzado?
La tecnología subyacente
Desafíos monumentales: privacidad, seguridad y confianza
El futuro es personal y proactivo

6.- Orquestación, despliegue y escalado de agentes
Plataformas y herramientas para la orquestación de agentes y Sistemas Multi-Agente (MAS)
Herramientas y plataformas emergentes para la orquestación
Consideraciones al elegir una plataforma o herramienta de orquestación
El futuro de la orquestación de agentes
Conclusión sobre plataformas y herramientas para la orquestación de agentes y sistemas multi-agente
Estrategias de despliegue: Cloud, Edge, híbrido – llevando los agentes al mundo real
Despliegue en la nube (Cloud Deployment): la potencia centralizada
Despliegue en el borde (edge deployment): inteligencia cercana al usuario o la acción
Despliegue híbrido: lo mejor de ambos mundos
Conclusión sobre estrategias de despliegue
Monitorización, logging y gestión del ciclo de vida de los agentes: asegurando la salud y el rendimiento continuo
Monitorización de agentes de IA: manteniendo un ojo en el pulso
Logging detallado: la caja negra del agente
Gestión del ciclo de vida de los agentes (agent lifecycle management): del nacimiento a la jubilación
Conclusión sobre monitorización, logging y gestión del ciclo de vida de los agentes
Consideraciones de escalabilidad y rendimiento: preparando a los agentes para el mundo real a gran escala
Escalabilidad de los agentes de IA: creciendo con la demanda
Rendimiento de los agentes de IA: rapidez y eficiencia
Conclusión sobre escalabilidad y rendimiento
Human-in-the-Loop (HITL): supervisión y control humano en sistemas de agentes – la colaboración esencial
¿Por qué es necesario el human-in-the-loop para los agentes de IA?
Formas comunes de implementar human-in-the-loop en sistemas de agentes
Diseñando sistemas HITL efectivos
El futuro: hacia una inteligencia colectiva Humano-IA
Conclusión sobre human-in-the-loop

7.- Ética, seguridad y gobernanza de agentes de IA
Sesgos y equidad en agentes autónomos: luchando por una IA justa
Responsabilidad, Transparencia y Explicabilidad (XAI) en las decisiones de los agentes: abriendo la caja negra
Seguridad de los agentes: protegiendo contra amenazas internas y externas
El Problema del alineamiento (AI Alignment) en agentes avanzados: asegurando que la IA persiga nuestros verdaderos objetivos
La dificultad de especificar objetivos completos y robustos
Áreas de investigación en el alineamiento de la IA
El alineamiento no es solo un problema del futuro lejano
Impacto socioeconómico: desplazamiento laboral, nuevas profesiones y la transformación del trabajo
Desplazamiento laboral y reconfiguración de roles
Creación de nuevas profesiones y habilidades demandadas
La transición y la necesidad de adaptación

8.- El futuro de los agentes de IA y la inteligencia general artificial (AGI)
Tendencias emergentes: agentes auto-mejorables, aprendizaje por refuerzo profundo para agentes, y agentes encarnados (Embodied AI)
Agentes auto-mejorables (Self-Improving Agents): la IA que aprende a aprender mejor
Aprendizaje por Refuerzo Profundo (Deep Reinforcement Learning – DRL) para agentes
Agentes Encarnados (Embodied AI): la inteligencia que habita y actúa en el mundo físico
Conclusión sobre tendencias emergentes
Hacia agentes con razonamiento de sentido común y comprensión profunda: más allá del reconocimiento de patrones
¿Qué es el razonamiento de sentido común?
¿Por qué los agentes actuales luchan con el sentido común?
Estrategias y enfoques de investigación para dotar a los agentes de sentido común y comprensión profunda
El impacto de agentes con mejor sentido común
Conclusión sobre agentes con razonamiento de sentido común y compresión profunda
El rol de los agentes en la búsqueda de la Inteligencia Artificial General (AGI): ¿Peldaños hacia una mente sintética?
Contribuciones de la investigación actual en agentes a la búsqueda de AGI
Desafíos y piezas faltantes en el camino hacia AGI a través de agentes
Diferentes perspectivas sobre el rol de los agentes en la AGI
Conclusión sobre los agentes en la búsqueda de la Inteligencia Artificial General (AGI)
La simbiosis Humano-Agente: colaboración y aumento de capacidades – un futuro compartido
Fortalezas complementarias: por qué la colaboración es clave
Modelos de colaboración Humano-Agente
Diseñando para una simbiosis efectiva
El futuro del trabajo es colaborativo
Conclusión sobre la simbiosis humano-agente
Desafíos abiertos y oportunidades de investigación: la frontera continua de los agentes de IA
Desafíos abiertos clave
Oportunidades de investigación prometedoras
Una invitación a la exploración continua