Cómo se diseña un chatbot serio: gestión de memoria y contexto, streaming, manejo de errores y separación de capas.

LangChain de forma práctica: chains, prompts, modelos, parsers y tools, montando piezas reutilizables en lugar de scripts sueltos.

Agentes como máquinas de estados con LangGraph: nodos, aristas condicionales, ciclos y control explícito del flujo.

Ver qué hace tu agente por dentro: trazas, costes y latencia con LangFuse y LangSmith, y cómo depurar a partir de ellas.

El ecosistema HuggingFace: encontrar, cargar y ejecutar modelos abiertos, y cuándo compensan frente a una API cerrada.

Los modelos propietarios en profundidad: Gemini y Claude, sus APIs, sus diferencias y cómo elegir entre ellos.

PostgreSQL como base de datos de un agente: pgvector, embeddings, índices y consultas por similitud.

Retrieval-Augmented Generation de principio a fin: chunking, indexado, recuperación y generación con fuentes.

RAG que aguanta en producción: Corrective RAG, reranking, consultas híbridas y evaluación de la recuperación.

Agentes de investigación multi-paso y entradas multimodales: imagen, audio y documentos además de texto.

Adaptar un modelo a tu dominio con LoRA: preparación del dataset, entrenamiento, evaluación y cuándo NO hacer fine-tuning.

MLflow para no perder el hilo: registrar experimentos, métricas, artefactos y versiones de modelo.

Convertir notebooks en pipelines reproducibles con ZenML: pasos, artefactos y orquestación.

Fundamentos de AWS para desplegar IA: IAM, S3, cómputo y el modelo de costes que hay detrás.

IA sin servidores que mantener: modelos gestionados con Bedrock e inferencia bajo demanda con Lambda.

Llevar el sistema a producción y mantenerlo vivo: pipelines de CI/CD, despliegues y monitorización.

Cómo se mide si un sistema de IA funciona: datasets de evaluación, métricas, LLM-as-judge y tests de regresión.

Integrar todo lo anterior en un proyecto completo, desplegarlo y defenderlo.

Panorama del oficio de AI Engineer en 2026: qué son los LLMs, qué sabe hacer el ecosistema hoy y dónde encaja el rol.

Escribir prompts que funcionan y las primeras llamadas reales a la API de OpenAI: roles, parámetros y control del formato de salida.