La AI está reinventando el software. Súmate a la nueva ola del desarrollo.

• Context engineering
• Spec-driven development
• Code review
• Test-driven development
• Harness authoring
• Agent orchestration
• Governance

1. L1Fundamentos y el nuevo paradigma+

   LLMs, predicción del siguiente token, entrenamiento, modelos de razonamiento, agentes, herramientas, el agent loop, skills, memoria, el harness, la ventana de contexto, Claude Code, limitaciones de los agentes, el SDLC y el rol de director.

2. L2El harness: dar forma al agente y extenderlo+

   El harness de Claude Code, CLAUDE.md, rules, skills, slash commands, subagentes, hooks, permisos, MCP y el Claude Agent SDK.

3. L3Ingeniería de contexto y desarrollo por especificación+

   La ventana de contexto, context rot, /context, /compact, /clear, write, select, compress, isolate, desarrollo por especificación, secciones de la spec, el comando /spec, planes y verificación.

4. L4Generación desde la spec, code review, tests y debugging+

   Generación de código, planes, gates, iteración, autonomía, code review, blast radius, comandos de revisión, subagentes revisores, red-green-refactor, cobertura de tests, characterization tests, validation gates, debugging y tests de regresión.

5. L5Construcción del harness+

   Selección de primitivas, Skills, subagentes, alcance y precedencia, subagentes integrados, plugins, hooks, eventos, matchers, exit codes, servidores MCP, CLI vs. MCP y el Stop-hook gate.

6. L6Orquestación y gobernanza+

   Orquestación, aislamiento de contexto, aislamiento de archivos, git worktrees, fan-out con subagentes, equipos de agentes, fan-out con worktrees, fan-out headless, workflows dinámicos, gobernanza, invariantes, hooks de seguridad, deny rules, sandboxing, control de costos y estándares de equipo.

• Transformer architecture
• Attention
• Embeddings
• LoRA Fine-tuning
• Model routing
• LLM evaluation
• Data sovereignty

1. L1Fundamentos de deep learning, parte I+

   Modelos de lenguaje grandes (LLMs), aprendizaje supervisado y no supervisado, métricas de evaluación y generalización de modelos.

2. L2Fundamentos de deep learning, parte II+

   Perceptrones, perceptrones multicapa (MLPs), gradient descent, backpropagation y minimización de la pérdida.

3. L3Preparación de datos para LLMs+

   Embeddings, Word2Vec y el proceso paso a paso para preparar embeddings.

4. L4Attention+

   Redes neuronales recurrentes, el cuello de botella de información, el mecanismo de attention y sus variantes.

5. L5Arquitectura Transformer+

   Transformers vs. RNNs, embeddings de tokens y posicionales, el bloque Transformer, layer normalization, capas feed-forward y GELU, conexiones residuales, la arquitectura de GPT-2, generación de texto y modelos encoder, decoder y encoder-decoder.

6. L6Entrenamiento+

   Pretraining con BERT y GPT, predicción enmascarada y del siguiente token, embeddings contextuales, técnicas de sampling, fine-tuning para clasificación, adapters y LoRA, instruction fine-tuning y RLHF.

7. L7Prompting+

   Prompt engineering, temperature y max tokens, prompting zero-shot y few-shot, chain-of-thought, autocrítica y reflexión, ventanas de contexto, KV cache, prompt caching, sesgo posicional, alucinaciones, prompting adversarial, sesgos y riesgos de seguridad.

8. L8APIs y model routing+

   APIs REST, métodos y códigos de estado, respuestas JSON, Postman, Python Requests, SDKs de OpenAI y Anthropic, streaming, el trilema del routing y routing por tarea, por complejidad, con fallback y semántico.

9. L9Modelos de razonamiento y arquitecturas modernas+

   Supervised fine-tuning, reward modeling, RLHF con PPO, DPO, RL para razonamiento, tokens de razonamiento latente, recompensas de proceso y de resultado, test-time compute, DeepSeek R1, Mixture of Experts, modelos open-weight, licenciamiento y soberanía de datos.

• Advanced RAG
• GraphRAG
• Hybrid search
• Agent orchestration
• MCP integration
• RAG evaluation

1. L1Datos estructurados y no estructurados para LLMs+

   Datos para LLMs, almacenamiento de datos, esquemas relacionales, consultas SQL y joins, documentos en MongoDB, agentes Text-to-SQL y guardrails de SQL.

2. L2Bases vectoriales y el pipeline de RAG+

   Information retrieval, BM25, el pipeline de retrieval, estrategias de chunking, embeddings, métricas de similitud, bases de datos vectoriales, retrieval-augmented generation, precision y recall en k.

3. L3Grafos de conocimiento y GraphRAG+

   Multi-hop preguntas, entidades y relaciones, RDF vs. property graphs, extracción de entidades con LLMs, resolución de entidades, Neo4j y Cypher, Text-to-Cypher y GraphRAG global vs. local.

4. L4Retrieval avanzado+

   La brecha de calidad en retrieval, búsqueda híbrida, normalización de scores, reciprocal rank fusion, cross-encoders, ColBERT y late interaction, reranking con LLMs, fine-tuning de embeddings y hard-negative mining.

5. L5Monitoreo y evaluación de sistemas RAG+

   Métricas de retrieval, nDCG y MRR, la tríada de RAG, métricas de Ragas, test sets sintéticos, LLM-as-a-judge, calibración del juez, monitoreo vs. observabilidad, LangSmith, Langfuse y DeepEval, y seguimiento del costo en tokens.

6. L6Agentes, herramientas y MCP+

   Agentes vs. workflows, ReAct, function calling, diseño de herramientas, structured outputs, el agent loop, RAG agéntico, el Model Context Protocol y seguridad en MCP.

7. L7Loops agénticos y entornos de ejecución+

   Estado, nodos y edges en LangGraph, tool binding, ToolNode, agentes prebuilt, ReAct, routers, paralelización, LLM-as-judge, reflexión, human-in-the-loop, sandboxes, el runtime de invocación de herramientas y seguridad en la ejecución de código.

8. L8El harness del agente+

   Degradación del contexto, memoria episódica, semántica y procedimental, Claude Code Skills, memoria de corto y largo plazo, compaction, checkpointers, tracing y tokenomics.

9. L9Deep Agents y SDKs+

   Planificación con to-dos, sub-agentes, sistemas de archivos virtuales, Open Deep Researcher, la librería Deep Agents, el Claude Agent SDK y cómo elegir un framework de agentes.

• LLMOps
• CI/CD
• Cloud deployment
• Evals
• Guardrails
• Production security

1. L1De agentes a servicio con FastAPI+

   MLOps vs. LLMOps, HTTP, APIs REST, códigos de estado, agentes con LangGraph, FastAPI, validación con Pydantic, health checks, streaming, ASGI y Uvicorn, y configuración.

2. L2Introducción a Docker+

   Contenedores vs. máquinas virtuales, namespaces, cgroups, Dockerfiles, imágenes base, .dockerignore, capas, build cache, multi-stage builds, puertos, volúmenes, registries, tags y digests.

3. L3Docker Compose y el stack multi-servicio+

   Archivos Compose, servicios, redes, ports vs. expose, volúmenes con nombre, bind mounts, backups, healthchecks, orden de arranque, debugging, caché de respuestas con Redis, override files y archivos .env.

4. L4EC2 y administración de servidores para LLMOps+

   Cuentas de AWS, IAM, MFA, presupuestos, facturación, instancias EC2, tipos de instancia, Elastic IPs, security groups, SSH, administración de Linux, permisos, Docker en EC2, recuperación tras reinicios, Caddy, HTTPS y DNS.

5. L5Amazon Bedrock y una arquitectura agnóstica al proveedor+

   Amazon Bedrock, model IDs, inference profiles, roles de IAM, abstracción del proveedor, get_llm(), parámetros de sampling, reintentos, fallback, precio por token, estimación de costos, selección de modelos, streaming e inferencia gestionada vs. self-hosted.

6. L6CI/CD para sistemas agénticos+

   Versionado de prompts y modelos, CI vs. CD, pull requests, GitHub Actions, runners, secretos, caché del pipeline, testing de salidas de texto, unit tests vs. evals, eval gates, tags inmutables, despliegue por SSH, rollback, staging, canary y blue-green.

7. L7Interfaces de usuario para agentes+

   Streamlit, Gradio, session state, respuestas en streaming, estados de error, razonamiento visible, renderizado de tool calls, human-in-the-loop, interrupts de LangGraph, checkpointers, diseño para la confianza, control de acceso y despliegue de la interfaz.

8. L8Observabilidad y el feedback loop+

   Logs, traces, métricas, structured logging, niveles de log, correlation IDs, Langfuse, sampling, retención, dashboards, alertas, SLOs, atribución de costos, evaluación continua, LLM-as-judge, captura de feedback y ética del feedback.

9. L9Guardrails y seguridad en producción+

   Prompt injection, threat modeling, validación de entradas, validación de salidas, guardian models, diseño de herramientas, Bedrock Guardrails, NeMo Guardrails, gestión de secretos, mínimo privilegio, hardening de contenedores, autenticación de APIs, rate limiting, audit logs y respuesta a incidentes.

Proyecto de industria en equipo: de una empresa partner o asignado por Anyone AI.

Es el cierre del Fellowship, justo después de terminar el proyecto final.