Cada vez más empresas están desplegando agentes de IA que ya no se limitan a responder preguntas, sino que planifican, ejecutan acciones y usan herramientas por su cuenta. El problema es que la mayoría de equipos conecta un modelo a una API y espera que funcione, sin entender la infraestructura real que hay detrás: el bucle que decide cuándo actuar, y el «»harness»» que envuelve al modelo con instrucciones, herramientas y control de errores.

Ese «»harness»» es precisamente lo que separa un prototipo que falla de forma impredecible de un agente fiable en producción. Sin entender esta capa, cualquier intento de construir agentes de IA para procesos reales de empresa acaba en el mismo sitio: una demo que funciona una vez y falla la siguiente.

• Comprender el bucle agente (percibir-planificar-actuar-observar) y cómo se diferencia de un simple chatbot con herramientas.
• Diseñar un harness propio: system prompt, definición de herramientas y manejo de errores y reintentos.
• Implementar estrategias de gestión de contexto y memoria a corto y largo plazo en tareas largas.
• Aplicar principios de sandboxing y mínimo privilegio para limitar el radio de acción de un agente.
• Construir y depurar un harness mínimo viable capaz de ejecutar tareas reales de forma fiable.

Después de este curso podrás diseñar, construir y depurar tu propio harness de agente, entendiendo exactamente por qué falla cuando falla, en lugar de depender de frameworks como caja negra.

• Fundamentos del ciclo percibir-planificar-actuar-observar:
  • Anatomía de un ciclo de ejecución de un agente paso a paso.
  • Diferencias entre ejecución de un solo paso y ejecución iterativa multi-turno.
• De los chatbots a los agentes autónomos:
  • Limitaciones de los chatbots tradicionales frente a sistemas con capacidad de acción.
  • Nivel de autonomía razonable según el caso de uso.

• Componentes de un harness:
  • System prompt orientado a la acción, definición de herramientas y bucle de ejecución.
  • Cómo se conecta el modelo con la ejecución real de código y herramientas.
• Diseño de esquemas de herramientas fiables:
  • Buenas prácticas para describir herramientas de forma que el modelo las use bien.
  • Errores frecuentes que provocan invocaciones incorrectas de herramientas.

• Estrategias de gestión de la ventana de contexto:
  • Qué incluir y qué descartar del historial en tareas largas.
  • Técnicas de compactación y resumen progresivo del contexto.
• Memoria a corto y largo plazo:
  • Memoria de sesión frente a memoria persistente entre tareas.
  • Uso de almacenes externos (vectoriales o estructurados) como memoria de largo plazo.

• Aislamiento de la ejecución de herramientas:
  • Entornos aislados para ejecutar código o comandos generados por el agente.
  • Riesgos de ejecutar acciones directamente sobre sistemas de producción.
• Límites de permisos y mínimo privilegio:
  • Cómo limitar el radio de explosión de un agente con permisos mal calibrados.
  • Kill-switches y mecanismos de parada de emergencia.

• Aplicación práctica:
  • Partiendo de un caso de negocio real (por ejemplo, un agente que investiga y resume información de varias fuentes), cada alumno construirá su propio harness: definirá las herramientas necesarias, implementará el bucle de ejecución, añadirá control de errores y aplicará las medidas de sandboxing y registro vistas durante el curso.