• ¿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

• 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
• Fra• meworks populares para agentes LLM: ReAct, Plan-and-Execute, y Reflection/Self-Critique
• ReAct: Razonar y Actuar en un ciclo intercalado
• Plan-and-Execute (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

• 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

• 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)

• 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

• 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

• 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

• 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